Optimização De Sistemas De Negociação E Portfólios Pdf

Reforço Aprendendo para Sistemas de Negociação e Portfólios: Imediato vs Futuro Rewards Referências Crites R. H. amp Barto A. G. (1996), Melhorando o desempenho do elevador usando reforço aprendizado, em D. S. Touretzky, C. C. Mozer ampère M. E. Hasselmo, eds, Advances in NIPS, Vol. 8, pp. 10171023. Moody J. amp Wu L. (1997), Optimização de sistemas de negociação e carteiras, em Y. Abu-Mostafa, AN Refenes amp AS Weigend, eds, Redes Neurais nos Mercados de Capital, World Scientific, Londres . Moody J. Wu L. Liao Y. amp Saffell M. (1998), Funções de desempenho e aprendizado de reforço para sistemas de negociação e carteiras, Journal of Forecasting 17. Aparecer. Neuneier R. (1996), Optimal asset allocation utilizando programação dinâmica adaptativa, em D. S. Touretzky, M. C. Mozer, M. E. Hasselmo, eds, Advances in NIPS, vol. 8, pp. 952958. Sharpe W. F. (1966), Performance de fundo mútuo, Journal of Business pp. 119138. Tesauro G. (1989), Neurogammon ganha a olimpíada de computador, Neural Computation 1. 321323. CrossRef Watkins C. J. C. H. (1989), Learning with Delayed Rewards, tese de doutorado, Universidade de Cambridge, Departamento de Psicologia. Zhang W. amp Dietterich T. G. (1996), agendamento de trabalho de alto rendimento com uma rede td () de tempo de retardo, em D. S. Touretzky, M. C. Mozer amp. M. E. Hasselmo, eds, Advances in NIPS, Vol. 8, pp. 10241030. Otimização do enxame de partículas de bandas de Bollinger Citar este documento como: Butler M. Kazakov D. (2010) Otimização de enxame de partículas de bandas de Bollinger. Em: Dorigo M. et al. (Eds) Inteligência de Swarm. O uso de indicadores técnicos para derivar sinais de negociação de ações é uma fundação da análise técnica financeira. Muitos destes indicadores têm vários parâmetros que criam um difícil problema de otimização dada a natureza altamente não-linear e não-estacionária de uma série temporal financeira. Este estudo investiga um indicador financeiro popular, Bandas de Bollinger, eo ajuste fino de seus parâmetros através da optimização do enxame de partícula sob 4 funções diferentes da aptidão: rentabilidade, relação de Sharpe, relação de Sortino e exatidão. Os resultados da experiência mostram que os parâmetros otimizados através de PSO usando a função de aptidão de lucratividade produziram resultados de negociação fora da amostra superiores, que incluem os custos de transação quando comparados com os parâmetros padrão. Optimização de enxames de partículas Bollinger Bands Taxa de Sharpe Taxa de Sortino e optimização de parâmetros Referências Lee, J. S. Lee, S. Chang, S. Ahn, B. H. Uma comparação de ga e pso para a avaliação do excesso de retorno nos mercados de ações. Em: Mira, J. lvarez, J. R. (eds.) IWINAC 2005, Parte II. LNCS, vol. 3562, pp. 221230. Springer, Heidelberg (2005) Lento, C. Gradojevic, N. A rentabilidade das regras técnicas de negociação: uma abordagem de sinal combinado. Lento, C. Gradojevic, N. Wright, C. Conteúdo de informação de investimento em Bollinger Bands Economia Aplicada Financeira Letras 3 (4), 263267 (2007) CrossRef Google Scholar Leung, J. Chong, T. Uma comparação empírica de envelopes de média móvel e Bandas de Bollinger. As funções de desempenho e aprendizado de reforço para os sistemas de negociação e carteiras. (Hits0) AçÃμes de desempenho e aprendizado de reforço para sistemas de negociaçà £ oe portfolios. Applied Financial Economics Letters 17, 441470 (1998) Google Scholar Shi, Y. Eberhart, R. Um otimizador de enxames de partículas modificado. In: Proceedings of the 1998 IEEE Conferência Internacional sobre Computação Evolutiva, IEEE Congresso Mundial de Inteligência Computacional, pp. 6973 (1998) Williams, O. Otimização empírica de Bollinger Bandas para a rentabilidade. Mestrado, Universidade Simon Fraser (2006) Informações sobre direitos autorais Springer-Verlag Berlim Heidelberg 2010 Autores e afiliações Matthew Butler 1 Dimitar Kazakov 1 1. Faculdade de Ciência da Computação, Grupo de Inteligência Artificial University of York Reino Unido Sobre este artigoFlexAdvantage Blog Portfolio Trading Plotting Your Optimization Big Fundos de índice e fundos de investimento que o comércio passivamente são populares nos dias de hoje, mas mover grandes posições sem incorrer no impacto do mercado pode ser um desafio. Fundos de pensão e fundos de índices que reequilibram periodicamente suas carteiras uma vez por mês ou uma vez por trimestre podem enfrentar riscos semelhantes de negociação de carteira. FlexPTS (Portfolio Trade Scheduler) Para resolver esse problema, o FlexTrade criou o FlexPTS. Uma sofisticada ferramenta de otimização que determina a melhor programação de negociação para carteiras. Após a sua lista de negociação carteira com alvos para comprar e vender, FlexPTS gera um cronograma de compra e venda ordens divididas em janelas de 15 minutos, de tal forma que os tamanhos de destino são cumpridas no final do comércio. Representando a terceira etapa da oferta de análise avançada FlexEdge da empresa, o FlexPTS é projetado para janelas de tempo de vários dias e para gerenciar portfólios globais. IBMs renomado Biblioteca de Otimização Matemática ILOG CPLEX é usado sob o capô. O produto destina-se a comprar ou vender empresas que comercializam ao longo de um dia de meio dia, um único dia ou multi-dia período de tempo porque partes da lista de comércio são ilíquidos. Ilíquido significa que o montante que precisa ser negociado nos nomes da carteira é alto em relação aos volumes médios diários, explica Ran Hilai, vice-presidente de otimização de portfólio da FlexTrade. Como funciona o FlexPTS Para evitar custos de impacto no mercado, as empresas de compra e venda podem executar suas idéias através do otimizador de FlexPTSs, que, em seguida, gera um cronograma de negociação de quanto em cada nome para comprar e vender. O agendamento comercial baseado em portfólio é fornecido através de algoritmos de otimização de ponta, análise de risco de carteira e modelagem de impacto no mercado. Utilizado por mesas de negociação de programa, FlexPTS emprega um algoritmo de negociação de carteira de shortfall de implementação para ajudar os comerciantes a atingir o preço de referência de chegada. Falta de implementação é uma medida da diferença entre o preço médio de execução eo preço quando a ordem chega na mesa de negociação. Além disso, os comerciantes precisam minimizar o risco de preço, mas estes podem ser objetivos conflitantes, explica Hilai. Se alguém quiser minimizar o custo relativo ao preço de chegada, eles precisam levar muito tempo negociando passivamente. Mas se alguém quiser negociar perto do preço de chegada para reduzir seu risco, eles precisam trocar agressivamente antes que o preço mude, acrescenta. Negociação lentamente resulta em um baixo impacto no mercado, mas incorre em um alto risco de preço. No entanto, a negociação reduz rapidamente o risco de preço, mas resulta em um alto impacto, ele explica. O objetivo do FlexPTS é encontrar o cronograma representando o melhor equilíbrio entre esses dois objetivos conflitantes, mantendo as restrições dos clientes. Por exemplo, os clientes podem definir suas próprias restrições, como: Restrição de caixa: uma limitação definida no desequilíbrio entre os valores de compra e venda da parte ainda não executada da carteira. Restrição de participação: um limite de comércio em termos de uma percentagem do volume médio diário de janela (ADV) aplicado a cada intervalo comercial de 15 minutos. Controle de Risco da Carteira Embora a falta de implementação possa ser aplicada à negociação de nome único, agendar uma carteira inteira é uma maneira mais eficaz de reduzir o risco, especialmente se for uma carteira de longo prazo. Isso é verdade porque o planejador usa correlações de preços observadas para reduzir o risco de um comércio. Se este é um reequilíbrio do fundo, você normalmente tem uma carteira de comprar e vender lado, ilustra Hilai. Ao aderir a uma programação de negociação, você pode entrar no portfólio e fazer alguma negociação precoce que pode melhorar o erro de rastreamento para as compras relativas às vendas, diz Hilai. Então, uma vez que o erro de rastreamento é reduzido, você pode ter mais tempo e negociar mais passivamente desde que você hedged no portfólio e não precisa gastar mais tempo em hedging, explica Hilai. Controle de risco é o ponto inteiro. FlexPTS permite ao profissional controlar o risco em todo o portfólio. Um planejador de negócios estima a volatilidade de qualquer carteira usando um modelo de risco de carteira, o qual, por sua vez, fornece estimativas da volatilidade de cada ação ea correlação entre fatores de risco, tais como setores e indústrias, fatores fundamentais e estatísticos. Modelos de Risco FlexPTS incorpora o modelo de risco diário da Northfield Information Services, Inc. ou este modelo pode ser substituído por qualquer modelo de risco de clientes ou de terceiros. O modelo de risco é olhar para todo o portfólio e cada nome tem correlações com outros nomes na carteira. Alguns nomes são removidos imediatamente, porque fazer isso irá remover o risco. Agendamento de suas operações Em termos de agendamento de carteira, se um comerciante se livrar dos nomes que estão adicionando risco, então os retornos vão melhorar. No entanto, os retornos, especialmente a longo prazo, dependem da seleção dos gestores de carteira de participações. FlexPTS meramente lida com o custo de negociação em relação ao preço de chegada. O risco tem muito a ver com a correlação entre os nomes do portfólio, explica Hilai. Como resultado da execução FlexPTS, o comerciante terá uma programação de negociação para concluir o comércio. Enquanto PTS não selecionar os nomes para o comércio, ele meramente sugere um comércio. Se o comerciante vai linha por linha, os nomes que serão terminados cedo serão os nomes líquido, enquanto os nomes ilíquidos será terminado em último lugar, explica Hilai. Se os operadores se desviarem do planejamento sugerido devido a razões como uma correspondência de pool escuro em um nome ilíquido, o otimizador FlexPTS pode ser invocado várias vezes para re-otimizar o restante da programação comercial. Ao contrário da maioria dos algoritmos disponíveis, FlexPTS, que controla dia inteiro, dia único ou programação de vários dias, pode determinar automaticamente o comprimento ideal da janela de comércio. Sob o Hood Desde FlexPTS é um otimizador, ele tem uma função de utilidade com restrições. A função de utilidade é definida como a minimização do custo de impacto de mercado esperado mais o risco de mercado esperado. O utilitário é construído com duas funções: O impacto de mercado esperado com base no modelo que FlexPTS está usando em toda a carteira e duração do comércio. FlexPTS coloca o risco, que é a raiz quadrada de variância na função de utilidade e troca-lo contra o custo esperado. Outros sistemas podem usar a variância porque sua matemática é mais fácil, mas dá resultados inferiores, de acordo com Hilai. O processo em ação Ao medir o risco em toda a carteira, um determinado horário de um dia poderia instruir o comerciante a executar 26 comércios diferentes em intervalos de 15 minutos. O modelo de risco fornecerá a variância. Em seguida, FlexPTS iria adicionar as variações de todos os 26 comércios e, em seguida, tomar a raiz quadrada da soma. Isso resulta na variância esperada em relação ao preço de chegada, de acordo com a Hilai. No final do cronograma, seja o lado de compra ou de venda, o comerciante precisa completar a quantidade de execução total exigida pelo gerente de carteira, diz Hilai. Essas são as restrições ea função de utilidade está lá para minimizar o Valor em Risco, diz ele. Confidencialidade Para preservar a confidencialidade de sua estratégia, os comerciantes do lado da compra podem otimizar seus negócios sem expor sua lista inteira para o lado da venda. Ao invés de enviar sua lista inteira, os negócios podem ser encaminhados para mesas laterais vendidas ou servidores algorítmicos em ordens menores seguindo o cronograma ótimo fornecido pelo FlexPTS. Conclusão Os usuários podem acessar ações FlexPTS a partir da barra de ferramentas no FlexTRADER EMS. Depois que um portfólio é otimizado, o cronograma resultante pode se tornar parte integrante de qualquer estratégia de execução no FlexTRADER, incluindo o uso de algoritmos de negociação personalizados e todos os pools escuros disponíveis. Durante a negociação, várias análises FlexPTS atualizam constantemente no front-end FlexPTS. Para obter mais informações sobre FlexPTS e sua integração com o seu sistema, entre em contato conosco em salesflextrade. Procedimentos da Conferência Internacional sobre Métodos Computacionais em Ciências e Engenharia 2004 Melhorar os sistemas de negociação técnica usando um novo algoritmo genético baseado em MATLAB procedimento Stephanos Papadamou a ,. George Stephanides b. Um Departamento de Economia, Universidade de Tessália, Argonauton e Filelinon, Volos, Grécia b Departamento de Informática Aplicada, Universidade de Macedônia Ciências Econômicas e Sociais, Egnatias 156, Salónica 54006, Grécia Recebido 18 de maio de 2006. Aceito em 15 de dezembro de 2006. Disponível online 24 Janeiro de 2007. Estudos recentes nos mercados financeiros sugerem que a análise técnica pode ser uma ferramenta muito útil na previsão da tendência. Os sistemas de negociação são amplamente utilizados para avaliação de mercado, no entanto, a otimização de parâmetros desses sistemas atraiu pouco interesse. Neste artigo, para explorar o potencial do comércio digital, apresentamos uma nova ferramenta MATLAB baseada em algoritmos genéticos, a ferramenta especializada na otimização de parâmetros de regras técnicas. Utiliza o poder de algoritmos genéticos para gerar soluções rápidas e eficientes em termos comerciais reais. A nossa ferramenta foi testada extensivamente sobre dados históricos de um fundo UBS que investe em mercados de acções emergentes através do nosso sistema técnico específico. Os resultados mostram que o nosso GATradeTool proposto supera as ferramentas de software comumente usadas, não adaptativas, com respeito à estabilidade do retorno e economia de tempo ao longo de todo o período de amostragem. No entanto, apresentamos evidências de um possível efeito de tamanho populacional na qualidade das soluções. Mercados financeiros Previsão Algoritmos genéticos Investimento Regras técnicas 1 Introdução Os traders de hoje e os analistas de investimento necessitam de ferramentas rápidas e eficientes num mercado financeiro implacável. Batalhas na negociação são agora principalmente travada em velocidade do computador. O desenvolvimento de novas tecnologias de software ea aparência de novos ambientes de software (por exemplo, MATLAB) fornecem a base para a resolução de problemas financeiros difíceis em tempo real. A vasta funcionalidade matemática e financeira do MATLAB, o fato de ser uma linguagem de programação interpretada e compilada e sua independência de plataforma tornam-no adequado para o desenvolvimento de aplicações financeiras. Evidências sobre os retornos obtidos por regras técnicas, incluindo estratégias de impulso (por exemplo, 14. 15. 16. 16. 25 e 20), regras de média móvel e outros sistemas de comércio 6. 2. 9 e 24 podem apoiar a importância da análise técnica. No entanto, a maioria destes estudos ignorou a questão da otimização de parâmetros, deixando-os abertos à crítica de dados snooping ea possibilidade de viés de sobrevivência 7. 17 e 8. Tradicionalmente, os pesquisadores usaram especificação ad hoc de regras de negociação. Eles usam uma configuração popular padrão ou tentam aleatoriamente alguns parâmetros diferentes e selecionam o melhor com critérios baseados no retorno principalmente. Papadamou e Stephanides 23. implementaram uma nova caixa de ferramentas baseada em MATLAB para negociação técnica assistida por computador que incluiu um procedimento para problemas de otimização de parâmetros. No entanto, o ponto fraco de seu procedimento de otimização é o tempo: a função objetivo (por exemplo, lucro) não é uma função de erro quadrático simples, mas complicada (cada iteração de otimização passa pelos dados, gera sinais de negociação, calcula lucros, etc.). Quando os conjuntos de dados são grandes e você gostaria de reoptimize seu sistema muitas vezes e você precisa de uma solução o mais rapidamente possível, em seguida, experimentar todas as soluções possíveis para obter o melhor seria uma tarefa muito tediosa. Os algoritmos genéticos (GAs) são mais adequados, uma vez que realizam pesquisas aleatórias de forma estruturada e convergem muito rapidamente em populações de soluções quase óptimas. O GA lhe dará um conjunto (população) de boas soluções. Os analistas estão interessados ​​em obter algumas boas soluções o mais rápido possível, em vez de a melhor solução global. A melhor solução global existe, mas é altamente improvável que ela continue a ser a melhor. O objetivo deste estudo é mostrar como algoritmos genéticos, uma classe de algoritmos em computação evolutiva, podem ser empregados para melhorar o desempenho ea eficiência dos sistemas de negociação informatizados. Não é aqui o propósito de fornecer justificação teórica ou empírica para a análise técnica. Demonstramos nossa abordagem em uma tarefa de previsão específica baseada em mercados emergentes de ações. Este artigo está organizado da seguinte forma. Trabalhos anteriores são apresentados na Seção 2. O conjunto de dados e nossa metodologia são descritos na Seção 3. Os resultados empíricos são discutidos na Seção 4. Conclusões segue Seção 5. 2 Trabalhos anteriores Existe um grande número de trabalhos de GA nas áreas de ciência da computação e engenharia, mas pouco tem sido feito em relação a áreas relacionadas a negócios. Ultimamente, tem havido um interesse crescente no uso de GA na economia financeira, mas até agora tem havido pouca investigação sobre o comércio automatizado. Para nosso conhecimento, o primeiro artigo publicado vinculando algoritmos genéticos a investimentos foi de Bauer e Liepins 4. Bauer 5 em seu livro Algoritmos Genéticos e Estratégias de Investimento oferecido orientações práticas sobre como GAs pode ser usado para desenvolver estratégias de negociação atraente com base em informações fundamentais. Estas técnicas podem ser facilmente alargadas para incluir outros tipos de informação, tais como dados técnicos e macroeconómicos, bem como os preços passados. De acordo com Allen e Karjalainen 1. o algoritmo genético é um método apropriado para descobrir regras técnicas de negociação. Fernndez-Rodrguez et ai. 11, adotando a otimização de algoritmos genéticos em uma simples regra de negociação fornecem evidências para o uso bem-sucedido de GAs da Bolsa de Valores de Madri. Outros estudos interessantes são aqueles de Mahfoud e Mani 18 que apresentaram um novo sistema baseado em algoritmos genéticos e aplicaram-na à tarefa de prever os desempenhos futuros de estoques individuais por Neely et al. 21 e por Oussaidene et al. 22 que aplicou a programação genética à previsão de câmbio e relatou algum sucesso. Uma das complicações na otimização GA é que o usuário deve definir um conjunto de parâmetros, tais como a taxa de cruzamento, o tamanho da população ea taxa de mutação. De acordo com De Jong 10, que estudou algoritmos genéticos na otimização de funções, um bom desempenho GA requer alta probabilidade de cruzamento (inversamente proporcional ao tamanho da população) e um tamanho populacional moderado. Goldberg 12 e Markellos 19 sugerem que um conjunto de parâmetros que funciona bem em muitos problemas é um parâmetro de crossover 0,6, tamanho de população 30 e parâmetro de mutação 0,0333. Bauer 4 realizou uma série de simulações sobre problemas de otimização financeira e confirmou a validade das sugestões Goldbergs. No presente estudo, realizaremos um estudo de simulação limitado, testando várias configurações de parâmetros para o sistema de negociação escolhido. Também forneceremos evidências para o GA proposto comparando nossa ferramenta com outras ferramentas de software. 3 Metodologia Nossa metodologia é conduzida em várias etapas. Primeiro, temos que implementar nosso sistema de negociação baseado em análise técnica. No desenvolvimento de um sistema de negociação, você precisa determinar quando entrar e quando sair do mercado. Se o comerciante está no mercado a variável binária é igual a um caso contrário é zero. Como comerciantes de posição, baseamos a maioria de nossas decisões de entrada e saída em gráficos diários, construindo um indicador de tendência seguinte (Dimbeta). Este indicador calcula o desvio dos preços correntes de sua média móvel de comprimento. Os indicadores utilizados em nosso sistema de negociação podem ser formalizados como abaixo: onde está o preço de fechamento do fundo em tempo e função MovAv calcula a média móvel simples da variável Fechar com tempo de duração. Nosso sistema de comércio consiste em dois indicadores, o indicador de Dimbeta e a média movente de Dimbeta dada pela seguinte equação: Se cruzar para cima o então entram longo no mercado (isto é, sinal da compra). Se cruzar para baixo, em seguida, fechar a posição longa no mercado (ou seja, vender sinal). Em segundo lugar, temos de otimizar nossa estratégia de negociação. É bem sabido que a maximização de funções objetivas, como lucro ou riqueza, pode otimizar os sistemas de negociação. A função objetivo mais natural para um comerciante insensível ao risco é o lucro. Em nossa ferramenta de software consideramos lucros multiplicativos. Os lucros multiplicativos são apropriados quando uma fração fixa da riqueza acumulada é investida em cada comércio longo. Em nosso software, não são permitidas vendas a descoberto eo fator de alavancagem é fixado em, a riqueza no tempo é dada pela seguinte fórmula: onde é o retorno realizado para o período que termina no tempo, são os custos de transação e é a variável dummy binária Indicando uma posição longa ou não (ie 1 ou 0). O lucro é dado subtraindo da riqueza final a riqueza inicial,. A otimização de um sistema envolve a realização de vários testes ao variar um ou mais parâmetros (,) dentro das regras de negociação. O número de testes pode crescer rapidamente enorme (Metastock tem um máximo de 32 000 testes). No FinTradeTool 23. não há limite, entretanto, no processamento de tempo dependendo do sistema de computador usado. Neste artigo, investigamos a possibilidade de resolver o problema de otimização por meio de algoritmos genéticos. Os algoritmos genéticos (GAs) desenvolvidos por Holland 13 constituem uma classe de técnicas de busca, adaptação e otimização baseadas nos princípios da evolução natural. Algoritmos genéticos se prestam bem a problemas de otimização, pois eles são conhecidos por exibir robustez e podem oferecer vantagens significativas na metodologia de solução e desempenho de otimização. GAs diferem de outros otimização e procedimentos de busca de algumas maneiras. Primeiro, eles trabalham com uma codificação do conjunto de parâmetros, não os próprios parâmetros. Portanto GAs pode facilmente lidar com as variáveis ​​binárias. Em segundo lugar, GAs pesquisa de uma população de pontos, não um único ponto. Portanto, os GAs podem fornecer um conjunto de soluções globalmente ótimas. Finalmente, os AGs usam apenas informações de função objetivas, não derivadas ou outros conhecimentos auxiliares. Portanto, GAs pode lidar com as funções não-contínuas e não diferenciáveis ​​que realmente existem em um problema de otimização prática. 4 GATradeTool proposto em GATradeTool. Um algoritmo genético opera sobre uma população de soluções candidatas codificadas (,). Cada variável de decisão no conjunto de parâmetros é codificada como uma seqüência binária e todos são concatenados para formar um cromossomo. A representação cromossômica é um vetor de dois elementos contendo parâmetros em codificação genética. A precisão da representação binária é de oito bits por parâmetro (isto é, 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1). Começa com uma população construída aleatoriamente de suposições iniciais. Esses candidatos à solução são avaliados em termos da função objetiva (Eq. (4)). A fim de obter a optimalidade, cada cromossoma troca informação utilizando operadores (isto é, crossover 1 aritmético) emprestados da genética natural para produzir uma solução melhor. A função objetivo (Eq. (4)) é usada para medir como os indivíduos têm realizado no domínio do problema. Em nosso caso, os indivíduos mais ajustados terão o maior valor numérico da função objetivo associada. A função de aptidão transforma os valores da função objetivo em valores não negativos de mérito para cada indivíduo. A ferramenta suporta o método de compensação e escalonamento de Goldberg 12 eo algoritmo de classificação linear do Baker 3. Nossa técnica de seleção emprega um mecanismo de roda de roleta para selecionar probabilisticamente indivíduos com base em seu desempenho. Um valor de intervalo real Soma é determinado como a soma dos valores de aptidão de linha sobre todos os indivíduos na população atual. Os indivíduos são então mapeados um para um em intervalos contíguos no intervalo 0, Soma. O tamanho de cada intervalo individual corresponde ao valor de aptidão do indivíduo associado. Para selecionar um indivíduo é gerado um número aleatório no intervalo 0, Soma e o indivíduo cujo segmento abrange o número aleatório é selecionado. Este processo é repetido até que o número desejado de indivíduos tenha sido selecionado 26. Estes candidatos foram autorizados a participar de um crossover aritmético, o procedimento que recombina candidatos promissores, a fim de criar a próxima geração. Estas etapas foram repetidas até que um critério bem-definido seja satisfeito. Como o GA é um método de busca estocástico, é difícil especificar formalmente critérios de convergência. Como a aptidão da população pode permanecer estática por um número de gerações antes que um indivíduo superior seja encontrado, a aplicação de critérios convencionais de terminação torna-se problemática. Como resultado, propusemos a obtenção de um número específico de iterações como critério de terminação. O nosso algoritmo genético pode ser apresentado no quadro seguinte: 5 Resultados empíricos Nesta secção, aplicamos a nossa metodologia num fundo de investimento UBS que investe em mercados emergentes. 2 Os dados analisados ​​consistem em 2800 observações sobre os preços diários de fechamento desse fundo para o período 159825604. O período de otimização é definido entre 1598 a 25603. O sistema otimizado foi avaliado através do período prolongado 2560325604. O problema de otimização é definido como para determinar a Comprimentos ótimos do indicador Dimbeta e sua média móvel para o modelo simples de Dimbeta que maximizará lucros. Em primeiro lugar, será estudado o efeito de diferentes configurações de parâmetros de GA. Mais especificamente, estamos interessados ​​em medir o efeito do tamanho da população e do parâmetro crossover no desempenho do procedimento de otimização baseado no algoritmo genético. Com base nas recomendações de Goldbergs 12 e Bauers 4, o tamanho da população deve ser igual a 30 ea taxa de crossover deve ser 0,6 (valores padrão). O número de iterações foi ajustado para 300 para todas as simulações. Em segundo lugar, comparamos as soluções de problema de otimização conduzidas por diferentes ferramentas de software para medir a validade do GATradeTool proposto. A Tabela 1 fornece os resultados de otimização de GA para diferentes tamanhos de populações. A primeira linha da tabela mostra os melhores parâmetros para o indicador Dimbeta ea média móvel de Dimbeta. A fim de medir o efeito do tamanho da população na melhor solução, examinamos uma série de diferentes estatísticas. A solução com o retorno máximo e mínimo, o retorno médio, o desvio padrão dessas soluções, o tempo necessário para a convergência do algoritmo e um índice de eficiência calculado dividindo a solução de retorno máximo pelo desvio padrão das soluções. Tabela 1. Efeito do tamanho da população Observando a Tabela 1, podemos dizer que, desde que você aumente o tamanho da população, as soluções melhores e médias são maiores. No entanto, após um tamanho populacional de 30 o desempenho diminuiu. A fim de levar em consideração os custos computacionais envolvidos desde o aumento do tamanho da população, calculamos o tempo necessário para resolver o problema. O baixo tamanho da população leva a baixo desempenho e baixo tempo de conclusão. De acordo com o índice de eficiência, a melhor solução é a dada pelo tamanho populacional 20. Para estabelecer um desempenho base do algoritmo, foram realizados 30 ensaios do GA, com uma população inicial aleatória diferente para cada ensaio. FIG. 1a. Mostra como o desempenho melhorou ao longo do tempo, representando a aptidão máxima média como porcentagem do valor ótimo em relação ao número de geração. Primeiro capturamos o valor máximo de aptidão para cada uma das 30 provas que isso é feito para cada geração e cada tentativa. Em seguida, calculamos a média dos valores de aptidão máxima e dividimos esse número pelo valor ótimo de aptidão, obtido por pesquisa enumerativa (ferramenta FinTrade, 23), o que nos deu a aptidão máxima média como uma porcentagem do valor ótimo por geração. FIG. 1a. Definições do parâmetro base: percentual de ótimo. Como pode ser visto na Fig. 1a. A aptidão máxima média da primeira geração é de cerca de 74 do valor ótimo. Entretanto, pela 50ª geração, o algoritmo encontrou geralmente pelo menos uma solução que estava dentro de 90º do valor ótimo. Após a quinquagésima geração, a solução poderia atingir 98 do valor ótimo. Com medidas de desempenho de nossas configurações de base como um ponto de referência, examinamos as possíveis variações no procedimento básico. Estudamos o efeito das mudanças no tamanho da população e na taxa de cruzamento. Para cada ajuste de parâmetro diferente, nós realizamos 30 tentativas do algoritmo e comparamos então os gráficos da aptidão máxima média com aqueles obtidos para o ajuste da base. Primeiro, tentamos taxas de cruzamento 0,4 e 0,8. Os resultados são mostrados na figura. 1b e Fig. 1c. Que são semelhantes à Fig. 1a. Como resultado, os parâmetros de crossover não afetam a solução ótima a um grau crítico. No entanto, os resultados são diferentes quando alteramos o tamanho da população. De acordo com a Fig. 1d e a Fig. 1e. Com um pequeno tamanho populacional tivemos resultados mais pobres do que com uma grande população. Quando selecionamos 80 como tamanho de população, obtivemos retornos elevados nas gerações iniciais. FIG. 1b. Crossover 0,40: percentual de ótimo. FIG. 1c. Crossover 0,80: percentual de ótimo. FIG. 1d. População 80: porcentagem de ótima. FIG. 1e. População 20: percentual de ótima. Ao olhar para a Tabela 2 você pode comparar os resultados da otimização do nosso sistema de negociação usando três diferentes ferramentas de software. A primeira linha dá o resultado para o GATradeTool contra o Metastock eo FinTradeTool 23. Nossa ferramenta de software proposta (GATradeToo l) pode resolver o problema de otimização muito rápido, sem quaisquer restrições específicas sobre o número de testes totais. O número máximo de testes que podem ser realizados no software Metastock é de 32 000. O FinTradeTool precisa de muito mais tempo para encontrar a solução ideal. A solução fornecida pelo GATradeTool. Está perto da solução ótima do FinTradeTool. Tabela 2. Comparação de três diferentes ferramentas de software Parâmetros otimizados (Dimbeta. MovAv (DimBeta)) Os sistemas de negociação com os parâmetros ótimos encontrados no período 159825603 foram testados no período de avaliação 2560325604. O desempenho do nosso sistema de trading foi aumentado Em todas as ferramentas de software. No entanto, o custo do tempo tem de ser considerado muito seriamente (coluna 4). FIG. 2 descreve a evolução do rendimento máximo, mínimo e médio ao longo das 300 gerações para o sistema comercial Dimbeta (população tamanho 80, taxa de cruzamento 0,6). Pode-se observar que o retorno máximo tem uma tendência positiva. Parece ser relativamente estável após 150 gerações e move-se na gama entre 1,2 e 1 (isto é 120100 retorno). Para a aptidão mínima nenhum padrão parece existir. Para o retorno populacional médio, uma clara tendência ascendente pode ser encontrada nas primeiras 180 gerações, isto é uma indicação de que a aptidão geral da população melhora ao longo do tempo. Quanto à volatilidade das soluções, o desvio padrão das soluções após um aumento nas primeiras gerações estabiliza-se entre 0,3 e 0,6, evidenciando um conjunto de soluções estáveis ​​e eficientes. FIG. 2. Evolução de várias estatísticas sobre 300 gerações. FIG. 3 fornece um gráfico tridimensional das soluções óptimas dadas pelo GATradeTool. Nos eixos e temos os parâmetros, para o indicador dimbeta e sua média móvel. O Eixo 2 mostra o retorno do sistema de negociação Dimbeta para os parâmetros ótimos selecionados. 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.