Optimering Of Handels System And Portföljer Pdf

Förstärkningslärning för handelssystem och portföljer: Omedelbar mot framtida belöningar Referenser Crites R. H. amp. Barto A. G. (1996), Förbättrad hissprestanda med hjälp av förstärkningsinlärning, i D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, eds, Advances in NIPS, Vol. 8, s. 10171023. Moody J. amp Wu L. (1997), Optimering av handelssystem och portföljer, i Y. Abu-Mostafa, AN Refenes amp AS Weigend, eds, Neurala nätverk på kapitalmarknaderna, World Scientific, London . Moody J. Wu L. Liao Y. amp Saffell M. (1998), Prestationsfunktioner och förstärkningslärande för handelssystem och portföljer, Journal of Proecasting 17. Att framträda. Neuneier R. (1996), Optimal tillgångsallokering med användning av adaptiv dynamisk programmering, i D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, eds, Advances in NIPS, Vol. 8, sid. 952958. Sharpe W. F. (1966), fondförening, Journal of Business s. 119138. Tesauro G. (1989), Neurogammon vinner datorollympiaden, Neural Computation 1. 321323. CrossRef Watkins C. J. C. H. (1989), Lärande med försenade belöningar, doktorsavhandling, Cambridge University, Psychology Department. Zhang W. amp Dietterich T. G. (1996), Högpresterande jobbbutik schemaläggning med ett tidsfördröjande td () nätverk, i D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, eds, Advances in NIPS, Vol. 8, s. 10241030.Particle Swarm Optimering av Bollinger Bands Citera detta papper som: Butler M. Kazakov D. (2010) Partikelsvamp Optimering av Bollinger Bands. I: Dorigo M. et al. (eds) Swarm Intelligence. ANTS 2010. Föreläsningsanteckningar i datavetenskap, vol 6234. Springer, Berlin, Heidelberg Användningen av tekniska indikatorer för att härleda aktiehandelssignaler utgör en grund för finansiell teknisk analys. Många av dessa indikatorer har flera parametrar som skapar ett svårt optimeringsproblem med tanke på den höga icke-linjära och icke-stationära karaktären av en ekonomisk tidsserie. Denna studie undersöker en populär finansiell indikator, Bollinger Bands, och finjusteringen av parametrarna via partikelsvarmoptimering under 4 olika träningsfunktioner: lönsamhet, Sharpe-förhållande, Sortino-förhållande och noggrannhet. Experimentresultaten visar att parametrarna optimerade genom PSO med funktionen för lönsamhetst fitness gav överlägsna externa resultatresultat som inkluderar transaktionskostnader jämfört med standardparametrarna. Partikelsvarmoptimering Bollinger Bands Sharpe-förhållande Sortino-förhållande och parameteroptimering Referenser Lee, J. S. Lee, S. Chang, S. Ahn, B. H. En jämförelse av ga och pso för överskridande utvärdering på aktiemarknaderna. I: Mira, J. lvarez, J. R. (eds.) IWINAC 2005, del II. LNCS, vol. 3562, s. 221230. Springer, Heidelberg (2005) Lento, C. Gradojevic, N. Lönsamheten hos tekniska handelsregler: En kombinerad signalinriktning. Journal of Applied Business Research 23 (1), 1327 (2007) Google Scholar Lento, C. Gradojevic, N. Wright, C. Investeringsinformation innehåll i Bollinger Bands Tillämpad finansiell ekonomi Letters 3 (4), 263267 (2007) CrossRef Google Scholar Leung, J. Chong, T. En empirisk jämförelse av glidande medelhöljen och Bollinger Bands. Applied Economics Letters 10 (6), 339341 (2003) CrossRef Google Scholar Moody, J. Wu, L. Liao, Y. Saffell, M. Prestationsfunktioner och förstärkningslärande för handelssystem och portföljer. Applied Financial Economics Brev 17, 441470 (1998) Google Scholar Shi, Y. Eberhart, R. En modifierad partikelsvampoptimerare. I: Förlopp från IEEE: s internationella konferens om evolutionskomputation 1998, IEEE World Congress on Computational Intelligence, s. 6973 (1998) Williams, O. Empirical Optimization of Bollinger Bands for Profitability. Masters thesis, Simon Fraser University (2006) Upphovsrätt information Springer-Verlag Berlin Heidelberg 2010 Författare och anslutningar Matthew Butler 1 Dimitar Kazakov 1 1. Fakulteten för datavetenskap, konstgjord intelligensgrupp University of York Storbritannien Om denna paperFlexAdvantage Blog Portfolio Trading Plotting Your Optimization Big indexfonder och fonder som handlar passivt är idag populära, men att flytta stora positioner utan att få konsekvenser för marknaden kan vara utmanande. Pensionsfonder och indexfonder som periodiskt balanserar sina portföljer en gång i månaden eller en gång i kvartalet kan möta liknande risker för portföljhandeln. FlexPTS (Portfolio Trade Scheduler) För att lösa detta problem byggde FlexTrade FlexPTS. ett sofistikerat optimeringsverktyg som bestämmer det bästa handelsschemat för portföljer. Efter att ha fått en portföljhandelslista med mål att köpa och sälja, genererar FlexPTS ett schema med köp - och säljorder uppdelade i 15-minuters fönster, så att målstorleken är uppfyllda i slutet av handeln. FlexPts representerar det tredje benet i Companys FlexEdge avancerade analytikutbud. FlexPTS är utformat för flera dagars tidsfönster och hanterar globala portföljer. IBMs kända matematiska optimeringsbibliotek ILOG CPLEX används under huven. Produkten riktar sig till köp - eller försäljningsföretag som handlar över en halvdag, en dag eller flera dagar, eftersom delar av handelslistan är illikvida. Illikvida innebär att mängden som måste handlas i portföljens namn är högt i förhållande till de genomsnittliga dagliga volymerna, förklarar Ran Hilai, vice vd för portföljoptimering hos FlexTrade. Hur FlexPTS Works För att undvika marknadsimpactkostnader kan köp - och säljsidor driva sina idéer genom FlexPTSs optimeringsprogram, som sedan genererar ett handelsschema över hur mycket i varje namn man köper och säljer. Portföljbaserad handelsplanering tillhandahålls genom toppmoderna optimeringsalgoritmer, riskanalys av portföljer och marknadsimpactmodellering. Utnyttjas av programhandeln, använder FlexPTS en implementeringsbrist för portföljhandel med algoritmer för att hjälpa näringsidkare att nå anskaffningspriset. Implementeringsbrist är ett mått på skillnaden mellan det genomsnittliga genomförandepriset och priset när ordern anländer på handelsdisken. Dessutom måste handlare minimera prisrisken, men det kan vara motstridiga mål, förklarar Hilai. Om någon vill minimera kostnaden i förhållande till ankomstpriset, måste de ta lång tid genom att handla passivt. Men om någon vill handla nära ankomstpriset för att minska risken måste de handla aggressivt innan prisändringen, tillägger han. Handel resulterar långsamt i en låg marknadseffekt men medför en hög prisrisk. Men handel minskar snabbt prisrisken, men ger stor inverkan, förklarar han. Målet med FlexPTS är att hitta schemat som representerar det bästa avvägandet mellan dessa två motstridiga mål, samtidigt som kunderna behåller sina begränsningar. Klienter kan till exempel ställa in sina egna begränsningar, till exempel Kontantbegränsning: En begränsning som är inställd på obalansen mellan köp och säljvärden för den ännu ej exekverade delen av portföljen. Deltagningsbegränsning: En handelsgräns i procent av den genomsnittliga dagliga volymen för fönster (ADV) som tillämpas på varje 15 minuters handelsintervall. Portföljriskkontroll Även om genomförandebortfallet kan tillämpas på enskild handelshandel, är schemaläggning av en hel portfölj ett effektivare sätt att minska risken, särskilt om det är en longshort-portfölj. Detta är sant eftersom schemaläggaren använder observerade priskorrelationer för att minska risken för handel. Om det här är en fondåterbalans, har du vanligtvis en köp och säljs sidportfölj, illustrerar Hilai. Genom att hålla sig till ett handelsschema kan du komma in i portföljen och göra lite handel tidigt som kan förbättra spårningsfelet för köperna i förhållande till säljerna, säger Hilai. Då, när spårningsfelet minskat, kan du ta mer tid och handla mer passivt eftersom du har säkrat in i portföljen och behöver inte spendera mer tid på säkringar, förklarar Hilai. Riskkontroll är hela punkten. FlexPTS gör det möjligt för näringsidkaren att kontrollera risken över hela portföljen. En handelsschemaläggare uppskattar volatiliteten i en portfölj med en portföljriskmodell, som i sin tur ger uppskattningar av volatiliteten hos varje aktie och korrelationen mellan riskfaktorer, såsom sektorer och industrier, grundläggande faktorer och statistiska faktorer. Riskmodeller FlexPTS införlivar den dagliga riskmodellen från Northfield Information Services, Inc .. eller den här modellen kan ersättas av någon kund eller riskmodell från tredje part. Riskmodellen ser på hela portföljen och varje namn har samband med andra namn i portföljen. Några namn tas bort omedelbart, för att göra det tar bort risken. Schemalägga dina affärer När det gäller portföljplanering, om en näringsidkare blir av med de namn som lägger till risk kommer avkastningen att förbättras. Avkastningen, särskilt på lång sikt, beror emellertid på portföljförvaltarnas urval av innehav. FlexPTS handlar bara om handelskostnaden i förhållande till ankomstpriset. Risken har mycket att göra med korrelationen mellan namn i portföljen, förklarar Hilai. Till följd av att FlexPTS drivs kommer handelsmannen att få ett handelsschema för att slutföra handeln. Medan PTS inte väljer namnen att handla, föreslår det bara en handel. Om näringsidkaren går line-by-line, kommer namnen som kommer att slutföras tidigt att vara flytande namn, medan de illikvida namnen kommer att slutföras senast, förklarar Hilai. Om näringsidkare avviker från det föreslagna schemat på grund av skäl som en mörkpools match i ett illikvikt namn, kan FlexPTS optimeringsanordningen åberopas flera gånger för att optimera det återstående handelsschemat. I motsats till de flesta tillgängliga algoritmerna kan FlexPTS, som hanterar dagars, enkeldags - eller flerdagsplaner automatiskt bestämma den optimala längden på handelsfönstret. Under Hood Eftersom FlexPTS är en optimator har den en verktygsfunktion med begränsningar. Verktygsfunktionen definieras som minimering av förväntad marknadsimpactkostnad plus förväntad marknadsrisk. Verktyget är byggt med två funktioner: Den förväntade marknadseffekten baseras på den modell som FlexPTS använder över hela portföljen och varaktigheten av handeln. FlexPTS sätter risken, vilket är kvadratroten av variansen i verktygsfunktionen och handlar den mot förväntad kostnad. Andra system kan använda variansen eftersom det är matematiskt lättare men ger sämre resultat, enligt Hilai. Processen i åtgärd Vid mätning av risker över hela portföljen kan ett visst tidsplan för en dag instruera näringsidkaren att genomföra 26 olika branscher med 15-minutersintervall. Riskmodellen kommer att ge variansen. Sedan skulle FlexPTS lägga till variationerna av alla 26 branscher, och sedan ta kvadratroten av summan. Detta resulterar i den förväntade variansen i förhållande till ankomstpriset, enligt Hilai. I slutet av schemat, oavsett om det är köpsidan eller säljsidan, måste näringsidkaren slutföra den totala exportkvantiteten som krävs av portföljförvaltaren, säger Hilai. Det är begränsningarna och nyttafunktionen finns för att minimera värdet vid risk, säger han. Sekretess För att bevara sekretessen för sin strategi kan köphandlare optimera sina affärer utan att exponera hela listan till säljsidan. I stället för att skicka hela listan kan handlar vidarebefordras till säljsidor eller algoritmiska servrar i mindre order efter det optimala schemat som FlexPTS tillhandahåller. Slutsats Användare kan komma åt FlexPTS-åtgärder från verktygsfältet i FlexTRADER EMS. När en portfölj har optimerats kan det resulterande schemat bli en integrerad del av någon genomförandestrategi i FlexTRADER, inklusive användandet av anpassade handelsalgoritmer och alla tillgängliga mörka pooler. Under handel uppdateras olika FlexPTS-analyser kontinuerligt på FlexPTS-fronten. För mer information om FlexPTS och dess integration med ditt system, vänligen kontakta oss på salesflextrade. Procedurer för den internationella konferensen om beräkningsmetoder inom vetenskap och teknik 2004 Förbättra tekniska handelssystem genom att använda en ny MATLAB-baserad genetisk algoritmprocedur Stephanos Papadamou a. George Stephanides b. en avdelning för ekonomi, Thessalys universitet, Argonauton och Filelinon, Volos, Grekland b Institutionen för tillämpad informatik, Makedoniens universitet Ekonomiska och sociala vetenskaper, Egnatias 156, Thessaloniki 54006, Grekland Mottaget 18 maj 2006. Accepterad den 15 december 2006. Tillgänglig online 24 Januari 2007. Nya studier på finansmarknaderna tyder på att teknisk analys kan vara ett mycket användbart verktyg för att förutsäga trenden. Handelssystem används ofta för marknadsbedömning, men parametrar optimering 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, verktyget är specialiserat på parameteroptimering av tekniska regler. Det använder kraften i genetiska algoritmer för att skapa snabba och effektiva lösningar i reala handelsvillkor. Vårt verktyg har testats utförligt på historiska data från 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 lösningenes kvalitet. Finansmarknader Prediction Genetiska algoritmer Investering Tekniska regler 1 Introduktion Dagens handlare och investeringsanalytiker kräver snabba och effektiva verktyg på en hänsynslös finansmarknad. Kampar i handeln drivs nu huvudsakligen med datorhastighet. Utvecklingen av ny mjukvaruteknik och utseendet på nya programmiljöer (t. ex. MATLAB) utgör grunden för att lösa svåra ekonomiska problem i realtid. MATLABs stora inbyggda matematiska och finansiella funktionalitet, det faktum att det både är ett tolkt och sammanställt programmeringsspråk och dess plattformsoberoende 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. Flertalet av dessa studier har emellertid ignorerat frågan om parameteroptimering, vilket gör att de är öppna för kritik av data-snooping och möjligheten att överleva bias 7. 17 och 8. Traditionellt använde forskare ad hoc-specifikation av handelsregler. De använder en standard populär konfiguration eller slumpmässigt testa några olika parametrar och välj det bästa med kriterier baserade på avkastning. Papadamou och Stephanides 23. genomförde en ny MATLAB-baserad verktygslåda för datorstödd teknisk handel som har inkluderat ett förfarande för parameteroptimeringsproblem. Den svaga punkten i deras optimeringsprocedur är emellertid tid: objektivfunktionen (t ex vinst) är inte en enkel kvadratfelfunktion men en komplicerad (varje optimerings-iteration går igenom data, genererar handelssignaler, beräknar vinster etc.). När dataseten är stora och du ofta vill reoptimera ditt system och du behöver en lösning så snart som möjligt, kan du prova alla möjliga lösningar för att få det bästa som skulle vara en mycket tråkig uppgift. Genetiska algoritmer (GAs) passar bättre eftersom de utför slumpmässiga sökningar på ett strukturerat sätt och konvergerar mycket snabbt på populationer av nära optimala lösningar. GA ger dig en uppsättning (population) av bra lösningar. Analytiker 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 strategi i en viss prognosuppgift baserat på tillväxtmarknader. Detta papper 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 del GA-arbete inom datavetenskap och teknik, men lite arbete har gjorts när det gäller affärsrelaterade områden. Senare har det varit ett växande intresse för GA-användningen inom finansiell 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 sin bok Genetic Algorithms and Investment-strategier erbjöd praktisk vägledning om hur GAs 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 Madridbörsen. Några andra intresserade studier är de av Mahfoud och Mani 18 som presenterade ett nytt genetiskt algoritmbaserat system och tillämpade det på uppgiften att förutse framtida prestationer av enskilda lager av Neely et al. 21 och av Oussaidene et al. 22 som tillämpade genetisk programmering för prognoser för utländsk valuta och rapporterade viss framgång. En av komplikationerna i GA-optimering är att användaren måste definiera en uppsättning parametrar, såsom crossover-hastigheten, befolkningsstorleken och mutationshastigheten. Enligt De Jong 10 som studerade genetiska algoritmer i funktionsoptimering kräver bra GA-prestanda hög crossover-sannolikhet (omvänt 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, populationstorlek 30 och mutationsparameter 0,0333. Bauer 4 utförde en serie simuleringar på finansiella optimeringsproblem och bekräftade Goldbergs förslag. I den nuvarande studien ska vi utföra en begränsad simuleringsstudie genom att testa olika parametrar 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. Först måste vi genomföra vårt handelssystem baserat på teknisk analys. När du utvecklar ett handelssystem måste du bestämma när du ska ange 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 inmatnings - och uttagsbeslut på dagliga diagram genom att bygga en trendföljande indikator (Dimbeta). Denna indikator beräknar avvikelsen av nuvarande priser från dess glidande medelvärde av längd. De indikatorer som används i vårt handelssystem kan formaliseras enligt nedan: var är fondens slutkurs vid tid och funktion MovAv beräknar det enkla glidande medlet av variabeln Stäng med tidslängd. Vårt handelssystem består av två indikatorer, Dimbeta-indikatorn och Dimbetas rörliga medelvärde ges av följande ekvation: Om korsning uppåt kommer den då långt in på marknaden (dvs. köpsignal). Om korsning neråt stäng sedan 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 handelssystemen. Den mest naturliga objektiva funktionen för en riskålsekänslig näringsidkare är vinst. I vårt mjukvaruverktyg anser vi multiplicativa vinster. Multiplikationsvinster är lämpliga när en fast fraktion av ackumulerad rikedom investeras i varje lång handel. I vår programvara är ingen kort försäljning 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 den binära dummyvariabeln Indikerar en lång position eller inte (dvs 1 eller 0). Vinsten ges genom att subtrahera från den slutliga förmögenheten den ursprungliga rikedomen. Optimering av ett system innebär att man utför flera test samtidigt som man varierar en eller flera parametrar (,) inom handelsreglerna. Antalet test kan snabbt växa enormt (Metastock har högst 32 000 test). I FinTradeTool 23. finns det emellertid ingen gräns på tidsbehandlingen beroende på vilket datorsystem som används. I detta dokument undersöker vi möjligheten att lösa optimeringsproblemet genom att använda genetiska algoritmer. Genetiska algoritmer (GAs) som utvecklats av Holland 13 utgör en klass av sök-, anpassnings - och optimeringstekniker baserade på principerna om naturlig utveckling. Genetiska algoritmer låter sig bra till optimeringsproblem, eftersom de är kända för att visa robusthet och kan erbjuda stora fördelar i lösningsmetod 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 en enda punkt. Därför kan GAs tillhandahålla en uppsättning globalt optimala lösningar. Slutligen använder GAs endast objektiv funktionsinformation, inte derivat eller annan hjälpkännedom. Därför kan GAs hantera de icke-kontinuerliga och icke-differentierbara funktioner som faktiskt existerade i ett praktiskt optimeringsproblem. 4 Föreslagen GATradeTool I GATradeTool. En genetisk algoritm fungerar på en population av kandidatlösningar kodade (,). Varje beslutsvariabel i parametersatsen kodas som en binär sträng och alla sammanfogas för att bilda en kromosom. Kromosomrepresentation är en vektor med två element innehållande parametrar i bunär genetisk kodning. Precisionen för 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 med avseende på vår objektiva funktion (Eq. (4)). För att erhålla optimitet utbyter varje kromosom information genom användande av operatörer (dvs aritmetisk korsning 1) som lånas från naturgenetik för att åstadkomma en bättre lösning. Objektfunktionen (Eq. (4)) används för att mäta hur individer har utfört i problemområdet. I vårt fall kommer de mest utrustade individerna att ha det högsta numeriska värdet av den associerade objektivfunktionen. Fitnessfunktionen omvandlar de objektiva målvärdena till icke-negativa värderingar för varje individ. Verktyget stöder Goldbergs 12 och den linjära rankningsalgoritmen för Baker 3. Vårt urvalsteknik använder en roulettehjulsmekanism för att probabilistiskt välja individer baserat på deras prestanda. Ett verkligt värdeintervall Sum bestäms som summan av radens fitnessvärden över alla individer i den nuvarande befolkningen. Individer kartläggs sedan en till en i sammanhängande intervall i intervallet 0, Summa. Storleken på varje enskilt intervall motsvarar det associerade individens träningsvärde. För att välja en individ genereras ett slumptal i intervallet 0, Sum och den individ vars segment sträcker sig slumpmässigt talet är valt. Denna process upprepas tills det önskade antalet 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 lämplighet kan förbli statisk i ett antal generationer innan en överlägsen individ hittas, blir tillämpningen av konventionella uppsägningskriterier problematisk. Som ett resultat föreslog vi att ett specifikt antal iterationer uppnåddes som uppsägningskriterium. Vår genetiska algoritm kan presenteras i följande ram: 5 Empiriska resultat I det här avsnittet tillämpar vi vår metodik i en UBS-fond som investerar i tillväxtmarknader. 2 De data som analyseras består av 2800 observationer på den dagliga slutkursen för den fonden för perioden 159825604. Optimeringsperioden definieras mellan 1598 och 25603. Det optimerade systemet utvärderades genom den förlängda perioden 2560325604. Optimeringsproblemet fastställs för att bestämma Optimala längder av Dimbeta-indikatorn och dess rörliga medelvärde för den enkla Dimbeta-modellen som maximerar vinsten. För det första kommer effekten av olika GA-parameterkonfigurationer att studeras. Mer specifikt är vi intresserade av att mäta effekten av populationens storlek och crossover-parametern vid utförandet av den genetiska algoritmbaserade optimeringsproceduren. Baserat på Goldbergs 12 och Bauers 4 rekommendationer bör befolkningsstorleken vara lika med 30 och crossover-räntan ska vara 0,6 (standardvärden). Antalet iterationer sattes till 300 för alla simuleringar. För det andra jämförde vi lösningarna med optimeringsproblem som utfördes av olika mjukvaruverktyg för att mäta GATradeTools validitet. Tabell 1 ger GA-optimeringsresultatet för olika storlekar av populationer. Tabellens första rad visar de bästa parametrarna för Dimbeta-indikatorn och det rörliga genomsnittet för Dimbeta. För att mäta effekten av befolkningsstorlek i den bästa lösningen undersöker vi en rad olika statistik. Lösningen med maximal och minsta avkastning, genomsnittlig avkastning, standardavvikelsen för dessa lösningar, tiden som behövs för konvergens av algoritmen och ett effektivitetsindex beräknat genom att dela max returlösning med standardavvikelsen för lösningar. Tabell 1. Befolkningsstorlekseffekt Genom att se i Tabell 1 kan vi säga att så länge du ökar befolkningsstorleken är de bästa och de genomsnittliga lösningarna högre. Men efter en befolkningsstorlek på 30 minskade prestandan. För att ta hänsyn till de beräknade beräknade kostnaderna sedan ökningen av befolkningsstorleken beräknar vi den tid som behövs för att lösa problemet. 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 annan slumpmässig startpopulation för varje försök. Fig. La. Visar hur prestanda förbättras över tid genom att plotta genomsnittlig maximal träning som procent av optimalt värde jämfört med generationsnummer. Vi fångade först det maximala fitnessvärdet 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 genom enumerativ sökning (FinTrade-verktyg, 23), vilket gav oss den genomsnittliga maximala träningen som en procentandel av det optimala värdet per generation. Fig. La. Basparameterns inställningar: Procent av optimal. Såsom framgår av fig 1a. Den genomsnittliga maximala konditionen hos den första generationen är cirka 74 av det optimala värdet. Men genom den femtionde generationen har algoritmen vanligen funnit åtminstone en lösning som var inom 90 av det optimala värdet. Efter den femtionde generationen kan lösningen nå 98 av det optimala värdet. Med prestationsåtgärder från våra basinställningar som referenspunkt undersökte vi eventuella variationer i grundproceduren. Vi studerade effekten av förändringar i befolkningsstorlek och crossover-hastighet. För varje annan parameterinställning utförde vi 30 försök av algoritmen och jämförde sedan graferna med genomsnittlig maximal träning med de som erhölls för grundinställningen. Först försökte vi korsningspriserna 0,4 och 0,8. Resultaten visas i Fig. Ib och Fig. 1c. vilka liknar Fig. la. Som ett resultat påverkar crossover-parametrar inte den optimala lösningen i en kritisk grad. Resultaten är dock olika när vi ändrar befolkningsstorleken. Enligt Fig. 1d och Fig. 1e. med en liten befolkningsstorlek hade vi sämre resultat än med en stor befolkning. När vi valde 80 som befolkningsstorlek uppnådde vi hög avkastning i tidiga generationer. Fig. Ib. 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. Genom att titta på tabell 2 kan du 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 föreslagna mjukvaruverktyg (GATradeToo l) kan lösa optimeringsproblemet mycket snabbt utan några specifika begränsningar för 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. Lösningen som tillhandahålls av GATradeTool. ligger nära den optimala lösningen av FinTradeTool. Tabell 2. Jämförelse av tre olika mjukvaruverktyg Optimerade parametrar (Dimbeta. MovAv (DimBeta)) Handelssystemen med de optimala parametrarna som hittades under period 159825603 testades under utvärderingsperioden 2560325604. Vår trading system har ökat I alla mjukvaruverktyg. Kostnaden för tid måste emellertid betraktas som mycket allvarligt (kolumn 4). Fig. 2 visar utvecklingen av den maximala, minsta och genomsnittliga avkastningen över 300 generationer för Dimbeta-handelssystemet (befolkningsstorlek 80, crossover-takt 0,6). 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 120100 retur). För minimikravet verkar inget mönster existera. För den genomsnittliga befolkningsavkastningen finns en tydlig uppåtgående trend under de första 180 generationerna, detta är en indikation på att befolkningens övergripande skicklighet förbättras över tiden. När det gäller lösningernas volatilitet stabiliseras standardavvikelsen för lösningar efter en ökning av de första generationerna i intervallet mellan 0,3 och 0,6, vilket ger bevis för en stabil och effektiv uppsättning lösningar. Figur 2. Utveckling av flera statistik över 300 generationer. Fig. 3 ger ett tredimensionellt diagram av de optimala lösningarna som ges av GATradeTool. I axlarna har vi parametrarna för dimbeta-indikatorn och dess rörliga medelvärde. Axis 2 shows the return of the Dimbeta trading system for the selected optimum parameters. 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.