+
FOREX 거래 시스템에 SnowCron SnowCron 유전자 알고리즘은 수익성이 FOREX 트레이딩 전략을 만드는 유전자 알고리즘을 사용하여. 유전 적 계산을위한 코어 텍스 신경망 소프트웨어 피드 포워드 역 전파 신경망 응용 프로그램에서 유전자 알고리즘은 외환 거래를 기반으로. 이 의무는 아니지만이 예는 개념과 이전 기사의 아이디어를 사용하므로, 처음 FOREX 거래 시스템의 신경망 유전자 알고리즘을 참조하십시오. 모든이 텍스트 먼저 정보, 고지 사항을 참조하십시오. 이 피질 신경망 소프트웨어 유전자 알고리즘 기능, 수익성 거래를 수행하는 방법이 아닌 예를 사용하는 예이다. 나는 당신의 전문가 아니에요없고, 어느 쪽도 아니 나는 당신의 손실에 대해 책임을 져야한다. 피질 신경망 소프트웨어는 그것에 신경 네트워크를 가지고 있으며, 우리가 전에 논의 FFBP는 외환 거래 전략을 선택하는 하나의 방법입니다. 그것은 강력하고 좋은 기술이고, 제대로 적용될 때, 매우 promicing. TNE 신경망을 가르 칠 수있는 - 하지만 문제가있다. 우리는 원하는 출력을 알아야합니다. 우리가 함수 근사를 수행 할 때 우리가해야 무엇을 알고 있기 때문에, 우리는 단지 함수의 실제 값을 할 오히려 쉽다. 우리는 신경망 예측을 수행 할 때. 우리는 우리가 예측하는 경우, 말, 환율, 우리는 정확한 예측이 무엇인지 (교육 과정)을 알고, 다시 역사의 신경망을 가르치는 (이전 문서에서 설명) 기술을 사용합니다. 우리가 거래 시스템을 구축하는 때, 우리는 우리가 사실의 문제로 환율을 알고있는 경우에도, 올바른 거래 의사 결정이 무엇인지 전혀 모른다, 우리는 우리가 시간의 어느 시점에 사용할 수있는 많은 외환 거래 전략을 가지고 있고, 우리는 찾을 필요가 좋은 - 어떻게 당신이 우리의 이전 기사, 당신은 우리가이 문제를 다루는 사기 것을 알고 따라하면 우리는 우리의 신경 그물의 원하는 출력으로 공급한다. 우리는 신경망이 환율 (또는 환율 기준으로 표시) 예측을 할 teached하고 거래 할이 예측을 사용했다. 그리고, 프로그램의 신경망 부 외측 우리 신경망 가장 하나되는 결정했다. 유전자 알고리즘들은 최상의 거래 신호를 찾기로 언급 된 문제를 해결할 수있는, 직접이 문제를 처리 할 수있다. 이 문서에서 우리는 이러한 프로그램을 만들 피질 신경망 소프트웨어를 사용하는 것입니다. 사용하여 유전자 알고리즘 유전자 알고리즘은 매우 잘 발달하고, 매우 다양합니다. 모든 그들에 대해 배우고 싶다면, 이 글은 코어 텍스 신경망 소프트웨어는 무엇을 할 수 있는지에 관한대로, 위키 백과를 사용하는 것이 좋습니다. 코어 텍스 신경망 소프트웨어를 가졌어요. 우리는 지표의 일부 입력, 말, 값을 받아, 생산하는 신경 네트워크를 만들 수있는 출력, 말, 무역 신호 (판매, 구매 누르고 있습니다.) 손실 / 정지 위치를 열 수에 대한 이익 수준을. 우리가 무작위로이 신경망의 가중치를 배정하는 경우 물론, 거래 결과는 끔찍한 될 것입니다. 그러나의 우리는의 NN의 다스를 만들어 봅시다. 그 다음 우리는 그들 각각의 성능을 테스트하고 최고의 하나, 우승자를 선택할 수 있습니다. 이것은의 NN 1 세대이었다. 두 번째 세대를 계속하기 위해, 우리는 우리의 우승자 출산 할 수 있지만, 동일한 복사본을 받고 피하기 위해, 그것은 descentants 가중치를 s의 s는 어떤 임의의 noice를 추가 할 수 있도록 허용해야합니다. 두 번째 세대에서, 우리는 우리의 첫 번째 세대의 승자가 그것은 불완전한 (돌연변이) 복사본을이야. s는 다시 테스트를 할 수 있습니다. 우리는 세대의 다른 신경망 더 나은 다음 다른 우승자를해야합니다. 등등. 우리는 단순히 승자는 단지 실제 진화처럼, 패자 품종 및 제거 할 수 있도록, 우리는 우리의 최고의 거래 신경망을 얻을 것이다. 거래 시스템 (유전자 알고리즘)처럼해야하는지에 대한 이전 knowlege없이. 신경망 유전자 알고리즘 : 실시 예 0이 첫 번째 유전자 알고리즘의 예이다. 아주 간단한. 우리는 다음 예제를 사용하는 모든 트릭을 배우고, 단계별로를 걸어 가고있다. 이 코드는 인라인 주석이 있으므로의 단지 중요한 순간에 초점을 맞출 수 있습니다. 첫째, 우리는 신경 네트워크를 만들었습니다. 그것은 임의의 가중치를 사용하고, 아직 teached되지 않았습니다. 그런 다음 사이클에서, 우리는 돌연변이 NN의 fumction를 사용하여 14 복사, 확인합니다. 이 함수는 소스 신경망의 복사본을 만든다. 0에서 모든 무게 0.1 (우리의 경우)에 임의의 값을 추가. 우리는 핸들 그냥 정수와 같이 배열 (15)의 NN을 결과로, 우리는 그것을 할 수있는 핸들을 유지합니다. 우리는 15의 NN을 사용하는 이유는 거래와 아무 상관이있다 : 피질 신경망 소프트웨어는 동시에 차트에 15 라인까지 그릴 수 있습니다. 우리는 시험에 서로 다른 접근 방식을 사용할 수 있습니다. 먼저, 학습 세트를 사용하여 그 한번에있다. 둘째, 우리는에 테스트를 말한다 (100000 중) 12000 resords을하고, 처음부터 끝까지, 학습 집합을 통해 걸어 갈 수 있습니다. 우리가 신경 네트워크의 데이터의 특정 부분에 수익성이 아니라 전체 세트를 찾습니다으로 즉, learnigs 다른 만들 것입니다. 데이터가 처음부터 끝까지 변경하면 두번째 방식은 우리에게 문제점을 제공 할 수있다. 그러면 네트워크는 데이터 세트의 끝에서 교환하는 능력을 획득, 그 처음에 교환 할 수있는 능력을 잃는 진화. 이 문제를 해결하기 위해, 우리는 데이터에서 무작위로 12000을 기록 조각을하고, 신경망에 공급하는 것입니다. 100000 사이클이 우리의 속도에 도달하지 않을 것 같은, 단순히 끝없는주기이다. 다음 우리는 약간 다른 무게, 각 네트워크에 대해 하나의 자식을 추가합니다. 돌연변이 단게 0.1은 사실의 문제로서, 유일한 선택하지 않은 경우에도이 매개 변수를 유전자 알고리즘을 사용하여 최적화 될 수 있음을 유의하십시오. 새로 생성 된의 NN은 15 일 기존 이후에 추가됩니다. 이 방법으로 우리는 30 배열의 NN, 이전 15 15 새가 있습니다. 그 다음 우리는 두 세대에서, 테스트의 다음 사이클을 수행하고, 패자를 죽일 것입니다. 테스트를 위해, 우리는 출력을 생산하고 거래를 시뮬레이션하기 위해 이러한 출력을 사용하여 테스트 함수를 호출, 우리의 데이터를 신경망을 적용합니다. 거래의 결과의 NN이 가장 적합한, deside하는 데 사용됩니다. 우리는 n 다음에서 n 다음은 학습 세트 내에서 임의의 지점입니다 n 다음 n 자세히 알아에, n 자세히 알아 기록의 간격을 사용합니다. 아래의 코드는 트릭이다. 우리가 그것을 사용하는 이유는 유전자 알고리즘은 유전자 알고리즘을 만들 수 있다는 사실을 설명하는 것입니다. 그러나 그것은 반드시 최선의 하나가 될 것입니다하지 않으며, 또한, 우리가 학습 과정에 일부 제한을 의미하는 경우 우리는 결과를 향상시킬 수, 제안. 우리의 거래 시스템은 그 반대의 경우도 마찬가지 긴 무역에 매우 잘 작동하고, 짧은에 매우 가난, 또는 그것은 가능하다. 말, 긴 무역이 아주 좋은 경우, 이 유전자 알고리즘도 짧은 거래에 큰 손실을 이길 수 있습니다. 그것을 방지하기 위해, 우리는 심지어주기 홀수와 짧은 거래에 오래 거래에 더 무게를 지정합니다. 이 보증은 무언가를 개선하는 것이, 없다, 그냥 예입니다. 수정에 대한 논의에서, 아래에 대한 자세한. 기술적으로, 당신은 t 그것을 할, 또는 다르게 만들 수 있습니다 돈. 정렬 된 배열에 이익을 추가합니다. 그런 다음 우리는 신경망 학습 및 비 정렬 된 배열에 이익을 테스트, 처리 추가하려면이 위치를 사용하여 삽입 위치를 반환합니다. 이제 우리는 수익과 동일한 배열 인덱스에 현재의 신경망에 대한 데이터를 가지고있다. 아이디어는 수익성으로 분류의 NN의 배열에 도착하는 것입니다. 배열이 이익으로 sortes을하기 때문에, 프로그램이 동일하다 이러한 관점에서, 우리는 단지 0 14 거래 의사 결정 신경망 신호의 값을 기반으로의 NN을 제거하기 위해 수익성이 낮은해야하는 네트워크의 1/2을 제거하는 이전 기사에서 예. FOREX 트레이딩 전략 : 예 토론 모두 0 첫째, 의 차트를 살펴 보자. 첫 번째 반복 동안 이익의 첫 번째 차트가 좋은 전혀 예상해야합니다으로하지의 신경 네트워크는 돈 (이미지 폴더에서 첫 번째 반복 한 후 복사 된 이미지의 진화 00 세대 0.png)을 잃게 : 사이클 15에 이익에 대한 이미지입니다 더 나은, 때로는 유전자 알고리즘은 정말 빨리 배울 수 있습니다 : 그러나, 이익 곡선의 채도를 알 수 있습니다. 그것은 염두에두고, 길 개별 이익의 변화를보기 위하여 또한 재미있다, 그 곡선의 수는, 말, 3은 같은 신경망 항상하지 않습니다. 그들이 태어난 모든 시간이 종료되는대로 : 또한 그 밖으로 조금 외환 자동 거래 시스템 또는 사실과 관련되지 않을 수 있습니다, 그 달러가에 비해 떨어지는되었다 수있는, 짧은 거래에 가난과 갈망에 훨씬 더 수행, 주의 그 기간 동안 유로입니다. 그것은 또한 우리의 표시의 파라미터를 함께 할 수있는 뭔가가있을 수 있습니다 또는 지표의 선택 (아마, 우리는 다른 반바지를위한 기간이 필요합니다). 여기에 92, 248 사이클 후의 역사는 다음과 같습니다 놀랍게도, 유전자 알고리즘이 완전히 실패했습니다. 의 이유를 알아 내기 위해 노력하고, 상황에 도움이하는 방법을 보자. 우선, 적어도 우리가 사용하는 모델 내에서, t에게 대답은 아니오입니다 previuos보다 더 있어야 각 세대를 외설. 우리는 한 번에 전적인 학습 집합을했다, 그리고 우리의 NN을 가르치는 반복적으로 사용하는 경우, 예, 그들은 각 세대에 향상됩니다. 하지만 그 대신, 우리는 무작위로 조각을 (시간 12000 레코드)했다, 그들을 사용했다. 두 가지 질문 : 시스템이 학습 집합의 임의의 조각에 실패, 왜 피난처 t 우리가 잘 설정 전체 학습을 사용하는 이유. 두 번째 질문에 대답하기 위해, 내가 그랬어. 의 NN이 크게 수행 - 세트를 학습. 그리고 그들은 같은 이유로 우리가 FFPB 학습을 사용하는 경우도 실패한 테스트 세트에 실패했습니다. 다르게 말하면, 우리의 NN이 overspecialized있어, 그들이 사용하는 환경에서 살아남을 수 있지만 그 이외의 방법을 배웠다. 이것은 자연에서 많이 발생합니다. 우리가 대신했다 접근 방식은 희망, 그들은 또한 낯선 테스트 세트를 수행 할 수 있도록 데이터 집합의 임의의 조각에 좋은 수행의 NN을 강제로, 그 보상하도록했다. 대신, 그들은 테스트와 세트를 학습에 모두 실패했습니다. 사막에 사는 동물을 상상해보십시오. 태양의 많은, 전혀 눈. 이것은 우리의 NN에 대한로 데이터 환경의 역할을, 시장 rizing에 대한 metafor입니다. 동물은 사막에 살고 배웠습니다. 추운 기후에 사는 동물을 상상해보십시오. 눈과 전혀 일 글쎄, 그들은 조정. 그러나, 우리의 실험에서, 우리는 무작위로 나무에, 물, 눈, 사막에서 우리의 NN을 날 렸습니다. 데이터의 다른 조각으로 그들을 제시하여 (무작위로 평면, 하강, 상승.). 동물 죽었다. 또는 임의의 데이터가 말하자면, 시장 상승을 위해이었다, 1 세트에 대해 우리는 최고의 신경망을 선택 다르게 넣어. 그 다음 우리는 승자와 자녀, 떨어지는 시장의 데이터를, 발표했다. 의 NN 우리가 상승 시장에서 거래 할 수있는 능력을 상실 돌연변이 아이, 하나, 아마도, 실적이 저조한의 가장했다, 부진하지만, 하나 떨어지는 다루는 일부 기능을 얻었다. 그 다음 우리는 다시 테이블을 설정, 다시, 우리는 최고의 연기자있어 - 실적이 저조한 가운데 있지만 가장. 우리는 단순히 t 보편적이 될 우리의 NN에게 어떤 기회를 제공 바랬다 -. (결국, 동물 진화가 반복 변경을 처리 할 수있는 권리 그래서, 여름과 겨울에 살 수) 이전 정보의 성능을 잃지 않고 새로운 정보를 배울 유전자 알고리즘을 허용하는 기술이있다. 이 문서가 피질 신경망 소프트웨어를 사용하는 방법에 대한 자세한 비록 우리는 나중에 이러한 기술을 설명 할 수있다. 성공적인 외환 자동 거래 시스템 구축에 대한보다. 신경망 유전자 알고리즘 : 예 1은 이제 수정에 대해 이야기하는 시간이다. 우리가 이전 단계에서 만든 간단한 유전자 알고리즘은 두 가지 결함을 가지고있다. 첫째, 이익과 거래하는 데 실패했습니다. 그것은 괜찮습니다, 우리는 부분적으로 훈련 시스템 (그것은 처음에 수익을했다) 사용하려고 할 수 있습니다. 두 번째 결함은 더 심각하다 : 우리는이 시스템이하는 것을 가지 제어 할 수 없습니다. 예를 들어, 수익성, 하지만 거대한, 드로와 함께 배울 수 있습니다. 그것은 현실에서, 진화가 동시에 하나 이상의 매개 변수를 최적화 할 수있는, 잘 알려진 사실이다. 예를 들어, 우리는 빠른 실행과 추위에 저항 할 수있는 동물을 얻을 수 있습니다. 왜 우리의 외환 자동 거래 시스템에서 같은 일을하려고하지. 우리는 추가 처벌 세트하지만 아무것도 수정, 사용할 때 즉이야. 0.3 간격 - 우리는 0으로 확인 할 동안, 삭감 0.5 우리의 시스템 거래, 말. 이 실수를 시스템을 말하자면, 우리가 정도 (유전자 알고리즘 원 결정하는 데 사용 하나)의 이익 감소, 즉 DD의 크기에 비례한다. 그런 다음, 진화 알고리즘은 나머지 처리합니다. 몇 요인은 우리가 고려해야 할 것이있다 : 우리가 작업을 구매의 더 많거나 적은 동일한 수를 판매 할 수 있습니다, 우리는 수익성이 작업을 더 많이 갖고 싶어하고 실패, 우리는에 이익 차트를 할 수 있습니다 그래서 선형합니다. 진화에서 우리는 수정의 간단한 세트를 구현 01.tsc. 첫째, 우리는 초기 보정치 일부 다수를 사용한다. 우리는 작은으로 곱 (일반적으로 0과 1 사이) 값을, 우리가 적용 할 처벌에 따라. 그 다음 우리는이 보정에 우리의 이익을 곱합니다. 그 결과, 이익은 유전자 알고리즘은 우리의 다른 기준에 해당하는 양을 반영하여 보정된다. 그 다음 우리는 승자 신경망을 찾기 위해 결과를 사용합니다. FOREX 트레이딩 전략 : 예 1 예 1을 논의하는 것은 처음 100 사이클 동안 예를 들어 0보다, 그것은 많은 것을 배웠습니다, 매우 잘 작동하고, 이익 차트 안심 본다. 그러나, 예를 들어 0으로 긴 거래 가장 가능성이 제안한 방법에 문제가 있음을 의미하는 더 유익하다. 그럼에도 불구하고, 이 시스템은 모순 된 초기 조건의 부부 사이의 균형을 발견 테스트 세트에, 세트, 더 중요한 학습에 모두 긍정적 인 역학이 있습니다. 또한 학습에 관해서는, 사이클 (278)에서 우리는 우리의 시스템이 overtrained 가지고 있음을 볼 수 있습니다. 그러나 테스트 세트는 약점을 보여줍니다 :이의 NN과 일반적인 문제입니다 : - 받는 우리가 세트를 학습을 가르 칠 때, 그것을 다루는 학습, 때로는, 너무 잘 배운다는 우리는 여전히 학습 세트에 진행을 의미 정도가 테스트 세트의 성능을 푼다 때. 그 문제를 처리하기 위해, 기존의 솔루션이 사용됩니다 : 우리는 신경망을 찾고 계속. 그 가장 이전 덮어 쓰기, 테스트 세트에서 가장 잘 수행하고 저장할 때마다 새로운 피크에 도달한다. 이것은 우리가 제외 FFBP 훈련에 사용되는 동일한 접근 방식, 우리가이 시간이 그것을 스스로 할 (추가 코드, 즉 테스트 세트에 가장 신경 네트워크를 검색하고, 에 신경망의 가중치를 SAVE NN를 호출, 또는 수출 파일). 이 방법, 당신이 당신의 훈련을 중지 할 때, 당신은 TESTING SET ON 최고의 공연을 것이다 저장하고 당신을 기다리고 있습니다. 그것은 최대 아니라는 것을 또한주의. 이익은 당신이 후, 하지만 테스트 세트에 최고의 연기자를 찾을 때 최적의 성능 때문에, 수정을 사용하는 것이 좋습니다. FOREX 기술 분석을위한 유전자 알고리즘 : 당신이 당신의 우승자 신경망을 얻었다 후 지금. 당신은 신경망의 가중치를 수출, 이전 기사에서 설명하는 단계를 수행 할 수 있습니다. 다음 등 메타 상인, 무역 역처럼, 당신의 실시간 거래 플랫폼에서 사용할 수 있습니다. 다른 방법으로는 신경 네트워크를 최적화하는 다른 방법에 초점을 맞출 수 있습니다. FFBP 알고리즘과는 달리, 여기 당신은 학습을 사용하여 세트를 테스트에서 avay을 얻고, 순차적 인 학습을 이동할 수 있습니다. 코어 텍스 주문 텍스보기 가격 목록 가시성을 다운로드하면이 사이트에 대한 매우 중요합니다. 당신이 유전 알고리즘을 기반으로이 URL 외환 거래 시스템에 연결하시기 바랍니다 좋아하는 경우에 알바 레즈 - 디아즈, M. 알바 레즈, 유전자 알고리즘을 사용하여 A. 예측 환율을 참고. 출원. 경제학. 레트 사람. 10 (6), 319 (322) (2003) 문법 진화를 사용하여 현장 외환 시장에 대한 기술 거래 규칙을 진화 CrossRef Brabazon, A. O 닐, M.. COMPUT. MANAG. 과학. 1 (3), 327 (2004) 311 MATH CrossRef 데이비스, 유전자 알고리즘의 L. 수첩. 밴 Nostrand - 라인 홀드, 뉴욕 (1991) 뎀스터, M. A.H. 존스, C. M. 유전 프로그래밍을 이용한 실시간 적응 거래 시스템. 퀀트. 금융 1 (4), 397 (413) (2001) CrossRef Dunis, C. 해리스, A. 등. 유전자 알고리즘과 장중 거래 모델을 최적화. 신경 네트워. 세계 9 (3), 193 (223) (1999) 아령, M. SCHUHMACHER는 F. 성능 측정 영향의 선택 헤지 펀드 J. 은행의 평가합니까. 금융 (31) (9), 2632 2647 (2007) CrossRef 파마, E. F. 효율적인 자본 시장 : 이론과 경험적 연구의 검토. J. 금융 25 (2), 383 (417) (1970) CrossRef 골드버그, 검색, 최적화 및 기계 학습에 D. 유전자 알고리즘. 애디슨 - 웨슬리, 읽기 (1989) MATH Grefenstette, J. J. 환경 변화에 대한 유전자 알고리즘. 에서 : 병렬 문제는 자연이, 브뤼셀 (1992) 하딩, D. Nakou, G. 등에서 해결. 투자 위험의 통계적 측정 등의 장점과 삭감의 단점. AIMA 저널, 17 (2003) 4월 16일 히라 바 야시, A. Aranha, C. 등. 유전자 알고리즘을 사용하여 외환 거래 규칙의 최적화. 에서 : 유전과 진화 계산 GECCO 09 (2009) Hryshko, A. 다운스의 11 연례 학술 대회, T. 시스템은 외환 거래에 대한 유전자 알고리즘 및 강화 학습을 사용. 지능. J. SYST. 과학. (35) (13) 763 774 (2004) MATH CrossRef Kaboudan, 주가의 M. A. 유전 프로그래밍 예측. COMPUT. 경제학. 16 (3), 207 (236) (2000) MATH CrossRef LeBaron, B. 기술 거래 규칙 수익성과 외환 개입. J. 지능. 경제학. 49 (1), 125 (143) (1999) CrossRef LeBaron, 1990 (2002) Levich, R. M.에 외환 시장에서 B. 기술 거래의 수익성 토마스, L. R. 외환 시장에서 기술 거래 - 규칙 이익의 중요성 : 부트 스트랩 방법. J. 지능. 돈 Financ. 12 (5), (451) 474 (1993) CrossRef 소호, A. W. 적응 시장 가설. J. Portf. MANAG. 30 (5), 15 (29) (2004) CrossRef Menkhoff, L. 테일러, M. P. 외환 전문가의 완고한 열정 : 기술적 분석. J. 경제학. 문학. 45 (4), 936 972 (2007) CrossRef 마이어스, T. A. 기술 분석 과정. 맥그로 - 힐, 뉴욕 (1989) 미첼, 유전자 알고리즘에 M. 소개. MIT 출판부, 캠브리지 (1996) 닐리, C. 웰러, 외환 시장에서 P. 일중 기술 거래. J. 지능. 돈 Financ. 22 (2) 223 237 (2003) CrossRef 닐리, C. 웰러, P. 등. 외환 시장 수익성 유전 프로그래밍 방식의 기술적 분석입니다. J. Financ. 퀀트. 아날. 32 (4) 405 426 (1997) CrossRef 닐리, C. J. 웰러, P. A. 등의 알. 적응 시장 가설을 말씀 : 외환 시장에서 증거를. J. Financ. 퀀트. 아날. (44) (02) 467 488 (2009) CrossRef 올슨, 통화 시장에서 D. 유무 무역 규칙 수익은 시간 J. 은행을 통해 거부했다. 금융 28 (1), 85 (105) (2004) CrossRef 오스만, I. H. 켈리, J. P. 메타 추론 : 이론의 응용 프로그램. Kluwer 학술, 도르 드 레흐트 (1996) MATH 공원, C.-H. 어윈, S. H. 우리는 기술적 분석 J. 경제학의 수익성에 대해 무엇을 알고있다. SURV. 21 (4), 786 (826) (2007) CrossRef 픽텟, O. V. Dacorogna, M. M. 등의 알. 금융 분야에서 강력한 최적화를위한 유전자 알고리즘을 사용하여. 신경 네트워. 세계 5 (4), 573, 587 (1995) 리브스 C. R. 작은 집단으로 유전자 알고리즘을 사용. 에서 : 유전자 알고리즘에 다섯 번째 국제 학술 대회. 모건 카우프만, 산 마테오 진화 연산의 (1993) Rothlauf, F. 골드버그, D. 중복 표현. 일리노이 유전자 알고리즘 연구소 (IlliGAL) 보고서 (2002) 기술 통화 거래의 수익성 Schulmeister, S. 구성 요소. 출원. Financ. 경제학. 18 (11), 917 (930) (2008) CrossRef 스위니, 제이 외환 시장 잔. J. 금융 41 (1), 163 (182) (1986) 윌슨, G. 그런 소송, 선형 유전자 프로그래밍을 사용 W. Interday 외환 거래. 에서 : 유전자 알고리즘을 기반으로 유전과 진화 계산 GECCO 10 (2010) 외환 거래 시스템의 제 12 회 학술 대회 인용 인용 (42)보기 추상 숨기기 추상적 인 ABSTRACT 참고 7 참고 : 현재 FOREX (외환 시장) 가장 큰 금융입니다 세계 시장. 일반적 외환 시장 분석 외환 시계열 예측에 기초한다. 그럼에도 불구하고, 이러한 예측을 기반으로 무역 전문가 시스템은 일반적으로 만족스러운 결과를 제공하지 않습니다. 한편, 기술적 분석에 기초 또한 기계적 거래 시스템 호출 주식 거래 전문가 시스템은 매우 인기가 좋다 이익을 제공 할 수있다. 따라서, 본 논문에서 우리는 몇 가지 새로운 기술적 분석 지표를 기반으로 외환 거래 전문가 시스템과 규칙 기반 증거 추론 (RBER) (퍼지 로직의 합성과 증거의 뎀스터 쉐이퍼 이론)에 대한 새로운 접근 방식을 제안한다. 우리는 기존의 퍼지 로직 규칙 예를 들어, 교차 퍼지 클래스를 처리 할 때, 중요한 정보를 잃을 것을 발견했다 낮은 중소기업 등 우리는이 속성이 실제로 논쟁의 결과로 이어질 수 있음을 보여 주었다. 현재 종이 새로운 접근법에서 제안의 틀에서 교차 (경쟁) 퍼지 클래스를 나타내는 모든 멤버 함수의 값의 정보를 보존하고, 퍼지 로직 룰에 사용되는. 제안 된 접근 방식의 장점은 네 통화 쌍 외환 시장에서 실제 데이터의 최적화 및 시험 개발 전문 시스템을 이용하여 입증하고 시간은 30 M, 1 시간, 4 시간을 15m 프레임. 제 2016년 6월 루드밀라 Dymova 파벨 Sevastjanov 르지 Kaczmarek보기 추상 숨기기 추상적 인 초록 : 우리는 외환 거래 전략의 생성에 대한 유전 프로그래밍 구조를 제안한다. 이 시스템의 주요 특징은 종래 모델과 입력 데이터를 여러 상품 가격 시리즈의 사용에 의존하지 않는 자유 형식 전략의 진화이다. 이 후자의 기능은 문헌에 이전 작품에 대한 혁신을 구성한다. 우리는 AUD. USD, EUR. USD, GBP. USD 및 USD. JPY 통화 쌍에 대한 5 분 주파수에서 열기, 고, 저, 닫기 바 데이터를 활용하는이 글에서. 우리는 여러 알고리즘의 실행을 통해 얻은 USD. JPY 거래 전략의에서 샘플 및 아웃 오브 샘플 성능을 분석 구현을 테스트합니다. 우리는 또한 두 가지의 기준에 따라 선택된 전략의 차이를 평가한다 : 하나는 단지 트레이닝 세트에 얻어진 니스에 의존하고, 두 번째는 추가 검증 데이터 세트를 사용한다. 전략 활동과 무역 정확도 및 샘플 결과 중 사이에서 매우 안정하다. 수익성 관점에서, 두 기준을 모두 밖으로의 샘플 데이터에 성공하지만, 상이한 특성을 나타내는 전략을 초래한다. 전체 최고 성능의 아웃 - 오브 - 샘플 전략은 (19)의 연간 수익을 달성 할 수있다. 제 2014년 11월 수학 문제 공학 시몬 치 릴로 스테판 로이드 피터 Nordin보기 추상 숨기기 추상 개요 : 원유 선물 시장 에너지 금융에 중요한 역할을한다. 석유 선물 시장에서 거래 전략을 선택할 때 더 큰 투자 수익을 얻기 위해, 학자들과 상인 기술 지표를 사용합니다. 이 논문에서 저자는 수익성 거래 규칙을 생성하는 유전자 알고리즘 석유 선물의 평균 가격을 이동 사용. 우리는 평균 거래 규칙으로 이동 구간 길이 계산 방식의 상이한 조합을 가진 개인을 정의 평균 기간 적절한 계산 방법을 이동의 적절한 길이를 검색하는 유전 알고리즘을 사용 하였다. 저자는 평가하고 평균 규칙을 이동 선택 2013 1983 NYMEX 선물의 일일 원유 가격을 사용했다. 우리는 원유 선물 시장에서 초과 수익을 얻을 수 평균 거래 규칙을 이동 생성 여부를 결정하기 위해 바이 앤 홀드 (BH) 전략에 생성 된 거래 규칙을 비교했다. (420) 실험을 통해, 우리는 생성 된 거래 규칙이 분명 가격 변동이있을 때 상인이 이익을 내리는 데 도움 것을 결정한다. BH 전략은 더 나은 가격 인상 또는 몇 변동 부드러운 반면 가격이 떨어지고 상당한 변동이 발생하는 경우 생성 된 거래 규칙은 초과 수익을 실현할 수 있습니다. 결과는 상인이 서로 다른 상황에서 더 나은 전략을 선택할 수 있습니다. 제공되는 전체 텍스트 기사 2014년 5월 데이터는 정보 전달의 목적으로 만 제공됩니다. 신중하게 수집하지만, 정확도는 보장 할 수 없습니다. 충격 요인은 저널의 실제 정책 또는 라이센스 계약의 대략적인 추정을 적용 할 수 있습니다 나타냅니다. 미리 인쇄 버전 저자 보관할 수 있습니다 저자는 arXiv 저자의 개인 웹 사이트로 미리 프린트 서버에 후 인쇄 버전 저자의 사전 인쇄를 보관할 수 있습니다 즉시 발행 출판사 12 개월 후 열려있는 모든 액세스 저장소에 대한 저자의 사후 인쇄 7월 17일 16 :의 버전 / PDF 사용 공개 소스는 최근 업데이트 추가 요금 지불에 오픈 액세스를 할 수있다 (정책 참조) 어떤 저널에 논문을 발표 버전으로 링크를 동반하는 문구를 설정 게시자 버전에 연결해야 인정해야 할 수 없습니다
