الخوارزمية الجينية تطبيق لتصميم نظام التداول التقني

سنوكرون الخوارزمية الجينية في فوريكس أنظمة التداول باستخدام خوارزمية جينية لخلق مربحة الفوركس استراتيجية التداول. الخوارزمية الجينية في اللحاء الشبكات العصبية البرمجيات فيدفوروارد باكبروباغاتيون الشبكة العصبية تطبيق الحسابات الجينية على أساس تداول العملات الأجنبية. يستخدم هذا المثال مفاهيم وأفكار المقالة السابقة، لذا يرجى قراءة الخوارزمية الجينية للشبكة العصبية في فوريكس ترادينغ سيستمز أولا، على الرغم من أنها ليست إلزامية. حول هذا النص أولا وقبل كل شيء، يرجى قراءة إخلاء المسؤولية. هذا هو مثال على استخدام اللحاء الشبكات العصبية وظائف البرمجيات الخوارزمية الجينية، وليس مثالا على كيفية القيام التداول المربح. أنا لست المعلم الخاص بك، لا ينبغي أن تكون مسؤولة عن الخسائر الخاصة بك. كورتيكس نيورال نيتوركس البرامج لديها شبكات عصبية في ذلك، و ففب ناقشنا من قبل هو طريقة واحدة فقط لاختيار استراتيجيات تداول العملات الأجنبية. بل هو تقنية جيدة وقوية وعند تطبيقها بشكل صحيح، واعد جدا. ومع ذلك، فإنه لديه مشكلة - لتعليم شبكة العصبية تن. نحن بحاجة إلى معرفة الناتج المطلوب. فمن السهل أن تفعل عندما نفعل وظيفة تقريب، ونحن فقط تأخذ القيمة الحقيقية وظيفة، لأننا نعرف ما ينبغي أن يكون. عندما نفعل التنبؤ الشبكة العصبية. ونحن نستخدم تقنية (وصفها في المواد السابقة) لتعليم الشبكة العصبية على التاريخ، مرة أخرى، إذا كنا نتوقع، ويقول، سعر الصرف، ونحن نعلم (أثناء التدريب) ما هو التنبؤ الصحيح. ومع ذلك، عندما نقوم ببناء نظام التداول، ليس لدينا أي فكرة عن قرار التداول الصحيح، حتى لو كنا نعرف سعر الصرف كما في الواقع، لدينا العديد من استراتيجيات تداول العملات الأجنبية يمكننا استخدامها في أي وقت من الأوقات، و ونحن بحاجة إلى العثور على واحد جيد - كيف ماذا يجب أن تغذية كما المخرج المطلوب من الشبكة العصبية لدينا إذا كنت اتبعت المادة السابقة، كما تعلمون، أننا قد خدع للتعامل مع هذه المشكلة. علمنا الشبكة العصبية للقيام سعر الصرف (أو مؤشر سعر الصرف القائم) التنبؤ، ثم استخدم هذا التنبؤ للقيام التداول. ثم، خارج الشبكة العصبية جزء من البرنامج، اتخذنا قرارا على الشبكة العصبية هي أفضل واحد. الخوارزميات الجينية يمكن التعامل مع هذه المشكلة مباشرة، فإنها يمكن حل المشكلة المذكورة كما تجد أفضل إشارات التداول. في هذه المقالة نحن ذاهبون لاستخدام اللحاء العصبية الشبكات البرمجيات لإنشاء مثل هذا البرنامج. استخدام الخوارزميات الوراثية الخوارزمية الجينية هي متطورة جدا، ومتنوعة جدا. إذا كنت تريد أن تتعلم كل شيء عنهم، وأنا أقترح عليك استخدام ويكيبيديا، وهذه المقالة هي فقط حول ما اللحاء الشبكات العصبية البرمجيات يمكن القيام به. وجود اللحاء الشبكات العصبية البرمجيات. يمكننا إنشاء شبكة عصبية تأخذ بعض المدخلات، مثلا، قيم مؤشر، وتنتج بعض الإخراج، مثلا، إشارات التداول (شراء، بيع، عقد). وقف الخسارة تأخذ مستويات الربح للوظائف التي سيتم فتحها. وبطبيعة الحال، إذا كنا البذور هذه الأوزان شبكة العصبية عشوائيا، فإن نتائج التداول تكون رهيبة. ومع ذلك، دعونا نقول نحن خلق عشرات من هذه الشبكات الوطنية. ثم يمكننا اختبار أداء كل منهم، واختيار أفضل واحد، والفائز. كان هذا هو الجيل الأول من ن. للاستمرار في الجيل الثاني، نحن بحاجة إلى السماح للفائز لدينا الإنجاب، ولكن لتجنب الحصول على نسخ متطابقة، يتيح إضافة بعض نويس عشوائي إلى الأوزان النسبية. في الجيل الثاني، لدينا لدينا الجيل الأول الفائز والنسخ ناقصة (متحور). يتيح إجراء الاختبار مرة أخرى. سيكون لدينا الفائز آخر، وهو أفضل ثم أي شبكة العصبية الأخرى في الجيل. وما إلى ذلك وهلم جرا. نحن ببساطة السماح للفائزين على السلالة، والقضاء على الخاسرين، تماما كما هو الحال في تطور الحياة الحقيقية، وسوف نحصل على أفضل شبكة التداول لدينا العصبية. دون أي معرفة مسبقة حول ما ينبغي أن يكون نظام التداول (الخوارزمية الجينية) مثل. الخوارزمية الجينية للشبكة العصبية: مثال 0 هذا هو أول مثال خوارزمي جيني. و بسيطة جدا. نحن ذاهبون إلى المشي من خلال ذلك خطوة بخطوة، لتعلم كل الحيل أن الأمثلة التالية سوف تستخدم. يحتوي الرمز على تعليقات مضمنة، لذلك يتيح التركيز فقط على اللحظات الرئيسية. أولا، أنشأنا شبكة عصبية. ويستخدم الأوزان العشوائية، ولم يتم تعليمه بعد. ثم، في دورة، ونحن جعل 14 نسخة منه، وذلك باستخدام موتاتيون فومكتيون. هذه الوظيفة يجعل نسخة من شبكة العصبية المصدر. مضيفا قيم عشوائية من 0 إلى (في حالتنا) 0.1 لجميع الأوزان. نحن نحافظ على مقابض ل 15 نونس الناتجة في صفيف، يمكننا أن نفعل ذلك، والمقبض هو مجرد عدد صحيح. السبب في أننا نستخدم 15 ننس لا علاقة له مع التداول: اللحاء الشبكات العصبية البرمجيات يمكن رسم ما يصل إلى 15 خطوط على الرسم البياني في وقت واحد. يمكننا استخدام نهج مختلفة للاختبار. أولا، يمكننا استخدام مجموعة التعلم، كل ذلك في وقت واحد. ثانيا، يمكننا اختبار على سبيل المثال، 12000 ريسوردس (من أصل 100000)، والمشي من خلال مجموعة التعلم، من البداية إلى النهاية. وهذا سيجعل ليرنيغس مختلفة، ونحن سوف ننظر للشبكة العصبية ق التي هي مربحة على أي جزء معين من البيانات، وليس فقط على مجموعة كاملة. النهج الثاني يمكن أن يعطينا مشاكل، إذا تغير البيانات، من البداية إلى النهاية. ثم ستتطور الشبكة، وستحصل على القدرة على التداول في نهاية مجموعة البيانات، وفقدان القدرة على التجارة في بدايتها. لحل هذه المشكلة، ونحن في طريقنا لاتخاذ عشوائي 12000 سجلات شظايا من البيانات، وإطعامه إلى الشبكة العصبية. هو مجرد دورة لا نهاية لها، كما 100000 دورات لن يتم الوصول إليها في سرعة لدينا. نضيف أدناه طفل واحد لكل شبكة، مع أوزان مختلفة قليلا. ملاحظة، أن 0.1 للطفرة تانج ليس الخيار الوحيد، كما هو الأمر الواقع، حتى هذه المعلمة يمكن أن يكون الأمثل باستخدام الخوارزمية الجينية. تضاف ننس التي تم إنشاؤها حديثا بعد 15 منها القائمة. بهذه الطريقة لدينا 30 ننس في صفيف، 15 القديمة و 15 جديدة. ثم سنقوم بالقيام بالدورة التالية من الاختبار، وقتل الخاسرين، من كلا الأجيال. للقيام الاختبار، ونحن نطبق الشبكة العصبية لبياناتنا، لإنتاج مخرجات، ومن ثم استدعاء وظيفة الاختبار، التي تستخدم هذه النواتج لمحاكاة التداول. يتم استخدام نتائج التداول للتنازل، والتي هي الأفضل. نحن نستخدم الفاصل الزمني لسجلات نلارن، من نستارت إلى نستارت نلارن، حيث نستارت هو نقطة عشوائية ضمن مجموعة التعلم. الرمز أدناه هو خدعة. والسبب الذي نستخدمه هو توضيح الحقيقة، أن الخوارزمية الجينية يمكن أن تخلق خوارزمية جينية. ولكن لن يكون بالضرورة أفضل واحد، وأيضا، لاقتراح، أن نتمكن من تحسين النتيجة، إذا كنا نعني بعض القيود على عملية التعلم. فمن الممكن، أن نظام التداول لدينا يعمل بشكل جيد جدا على الصفقات الطويلة، والفقراء جدا على القصير، أو العكس بالعكس. إذا، على سبيل المثال، الحرف الطويلة جيدة جدا، هذه الخوارزمية الجينية قد يفوز، حتى مع خسائر كبيرة على الصفقات قصيرة. لتجنب ذلك، ونحن تعيين المزيد من الوزن إلى الصفقات الطويلة في التداولات الفردية والقصيرة في دورات حتى. هذا هو مجرد مثال، ليس هناك ما يضمن، أنه سيحسن شيئا. المزيد عن ذلك أدناه، في مناقشة حول التصحيحات. من الناحية الفنية، لم يكن لديك للقيام بذلك، أو يمكن أن تجعل من مختلف. إضافة الربح إلى صفيف فرزها. فإنه يعود موضع الإدراج، ثم نستخدم هذا الموقف لإضافة مقبض الشبكة العصبية والتعلم واختبار الأرباح إلى صفائف غير فرزها. الآن لدينا بيانات للشبكة العصبية الحالية في نفس مؤشر مجموعة أرباحها. والفكرة هي الوصول إلى مجموعة من الشبكات الوطنية، مرتبة حسب الربحية. كما صفيف هو الفرز حسب الربح، لإزالة 12 من الشبكات، التي هي أقل ربحية، ونحن بحاجة فقط لإزالة ننس 0 إلى 14 تستند قرارات التداول على قيمة إشارة الشبكة العصبية، من وجهة النظر هذا البرنامج هو مطابق لأمثلة من المقال السابق. استراتيجية التداول الفوركس: مناقشة المثال 0 أولا وقبل كل شيء، يتيح إلقاء نظرة على الرسوم البيانية. الرسم البياني الأول للربح خلال التكرار الأول ليس جيدا على الإطلاق، كما ينبغي أن يتوقع، الشبكة العصبية يفقد المال (صورة تطور 00000.png نسخها بعد التكرار الأول من مجلد الصور): صورة للربح على دورة 15 هو أفضل، وأحيانا ، الخوارزمية الجينية يمكن أن تتعلم سريع حقا: ومع ذلك، لاحظ التشبع على منحنى الربح. ومن المثير للاهتمام أيضا أن ننظر في طريقة تغير الأرباح الفردية، مع الأخذ في الاعتبار، أن عدد منحنى، ويقول، 3 ليس دائما لنفس الشبكة العصبية. كما أنها ولدت وتنتهي في كل وقت: نلاحظ أيضا، أن القليل من النقد الأجنبي نظام التداول الآلي يؤدي الفقراء على الصفقات قصيرة، وأفضل بكثير على الأطوال، والتي قد تكون أو لا تكون ذات صلة للحقيقة، أن الدولار كان ينخفض ​​مقارنة مع اليورو خلال تلك الفترة. كما قد يكون لها علاقة مع معلمات مؤشرنا (ربما، نحن بحاجة إلى فترة مختلفة للسراويل القصيرة) أو اختيار المؤشرات. هنا هو التاريخ بعد 92 و 248 دورات: لدهشتنا، خوارزمية وراثية فشلت تماما. دعونا نحاول معرفة السبب، وكيفية مساعدة الوضع. أولا وقبل كل شيء، ليس كل جيل من المفترض أن يكون أفضل من بريفيوس واحد الجواب هو لا، على الأقل ليس ضمن النموذج الذي استخدمناه. إذا أخذنا التعلم الكامل مجموعة في وقت واحد، واستخدامها مرارا وتكرارا لتعليم لدينا ننس، ثم نعم، فإنها سوف تتحسن على كل جيل. ولكن بدلا من ذلك، أخذنا شظايا عشوائية (12000 السجلات في الوقت المناسب)، واستخدامها. سؤالان: لماذا فشل النظام على شظايا عشوائية من مجموعة التعلم، ولماذا استخدمنا مجموعة تعليمية كاملة حسنا. للإجابة على السؤال الثاني، فعلت. أداء ننس بشكل كبير - على مجموعة التعلم. وفشلت في اختبار مجموعة، لنفس السبب أنه فشل عندما استخدمنا التعلم فب. لوضعها بشكل مختلف، حصلت لدينا نونس أوفرسبيسياليزد، تعلموا كيفية البقاء على قيد الحياة في البيئة التي تستخدم ل، ولكن ليس خارج ذلك. هذا يحدث الكثير في الطبيعة. كان القصد من النهج الذي أخذنا بدلا من ذلك للتعويض عن ذلك، من خلال إجبار ننس لأداء جيدة على أي جزء عشوائي من مجموعة البيانات، بحيث نأمل، فإنها يمكن أن تؤدي أيضا على مجموعة اختبار غير مألوف. بدلا من ذلك، فشلت كل من الاختبار وعلى مجموعة التعلم. تخيل الحيوانات، الذين يعيشون في الصحراء. وهناك الكثير من الشمس، لا الثلوج على الإطلاق. هذا هو ميتافور للسوق ريج، كما لدينا بيانات ننس تلعب دور البيئة. الحيوانات تعلمت أن تعيش في الصحراء. تخيل الحيوانات التي تعيش في مناخ بارد. الثلج ولا أشعة الشمس على الإطلاق. حسنا، تم تعديلها. ومع ذلك، في تجربتنا، وضعنا عشوائيا لدينا ن في الصحراء، في الثلج، في الماء، على الأشجار. من خلال تقديم لهم شظايا مختلفة من البيانات (ارتفاع عشوائيا، السقوط، شقة). ماتت الحيوانات. أو، لوضعها بشكل مختلف، اخترنا أفضل شبكة العصبية لمجموعة البيانات العشوائية 1، والتي، على سبيل المثال، كان لارتفاع السوق. ثم قدمنا، إلى الفائزين وأطفالهم، بيانات الأسواق المتساقطة. كان أداء الشبكات الوطنية ضعيفا، أخذنا أفضل أداء ضعيف، ربما، أحد الأطفال المتحولين، الذي فقد القدرة على التجارة في الأسواق الصاعدة، ولكن حصلنا على بعض القدرة على التعامل مع هبوط واحد. ثم تحولنا الجدول مرة أخرى، ومرة ​​أخرى، حصلنا على أفضل أداء - ولكن أفضل بين الفقراء الأداء. نحن ببساطة لم نعط لدينا ننس أي فرص لتصبح عالمية. هناك تقنيات تسمح الخوارزمية الجينية لتعلم معلومات جديدة دون فقدان الأداء على المعلومات القديمة (بعد كل شيء، يمكن للحيوانات أن تعيش في الصيف وفي فصل الشتاء، والحق لذلك تطور قادر على التعامل مع التغييرات المتكررة). قد نناقش هذه التقنيات في وقت لاحق، على الرغم من أن هذه المقالة هي أكثر حول استخدام اللحاء الشبكات الشبكات العصبية البرمجيات. أكثر من بناء نظام تداول آلي فوريكس ناجح. الشبكة العصبية الخوارزمية الجينية: مثال 1 الآن حان الوقت للحديث عن التصحيحات. وهناك خوارزمية وراثية بسيطة أنشأناها خلال الخطوة السابقة لها عيوب رئيسية. أولا، فشلت في التجارة مع الربح. على ما يرام، يمكننا أن نحاول استخدام نظام مدربين جزئيا (كان مربحا في البداية). العيب الثاني هو أكثر خطورة: ليس لدينا السيطرة على الأشياء، أن هذا النظام لا. على سبيل المثال، قد تتعلم أن تكون مربحة، ولكن مع سحب ضخمة. بل هو حقيقة معروفة، أنه في واقع الحياة، يمكن للتطور تحسين أكثر من معلمة واحدة في وقت واحد. على سبيل المثال، يمكننا الحصول على حيوان، التي يمكن تشغيلها بسرعة وتكون مقاومة للبرد. لماذا لا تحاول أن تفعل الشيء نفسه في نظام التداول الآلي الفوركس لدينا. هذا عندما نستخدم التصحيحات، والتي ليست سوى مجموعة من العقوبات إضافية. قل، يتداول نظامنا مع سحب 0.5، في حين نريد أن نؤكد ذلك إلى 0 - 0.3 الفاصل الزمني. ولإخبار النظام بأنه ارتكب خطأ، فإننا نقلل أرباحه (واحدة تستخدم لتحديد، والتي فازت الخوارزمية الجينية) إلى درجة، وهذا يتناسب مع حجم د. ثم، خوارزمية التطور يعتني بقية. هناك عدد قليل من العوامل التي نريد أن نأخذها في الاعتبار: قد نرغب في الحصول على عدد متساو تقريبا من عمليات الشراء والبيع، ونحن نريد أن يكون لدينا المزيد من العمليات المربحة، ثم الإخفاقات، قد نرغب في رسم بياني للربح تكون خطية وهلم جرا. في تطور01.tsc نقوم بتنفيذ مجموعة بسيطة من التصحيحات. أولا وقبل كل شيء، نستخدم بعض العدد الكبير لقيمة تصحيح أولية. نحن نضاعف ذلك إلى القيم الصغيرة (عادة، بين 0 و 1)، اعتمادا على العقوبة التي نريد تطبيقها. ثم نقوم بضرب أرباحنا لهذا التصحيح. ونتيجة لذلك، يتم تصحيح الربح، لتعكس مدى توافق الخوارزمية الجينية مع معاييرنا الأخرى. ثم نستخدم النتيجة للعثور على الشبكة العصبية الفائز. استراتيجية التداول الفوركس: مناقشة المثال 1 المثال 1 يعمل أفضل بكثير، من المثال 0. خلال أول 100 دورة، تعلم الكثير، والرسوم البيانية الربح تبدو مطمئنة. ومع ذلك، كما هو الحال في المثال 0، الصفقات الطويلة هي أكثر ربحية بكثير، وهو ما يعني على الأرجح أن هناك مشكلة في نهجنا. ومع ذلك، وجد النظام وجود توازن بين زوجين من الظروف الأولية المتناقضة: هناك بعض الديناميات الإيجابية سواء في مجموعة التعلم، والأهم من ذلك، في مجموعة الاختبار. أما بالنسبة لمزيد من التعلم، في دورة 278 يمكننا أن نرى، أن نظامنا حصلت أوفيرترايند. وهو ما يعني أننا ما زلنا نحرز تقدما في مجموعة التعلم: لكن مجموعة الاختبارات تظهر ضعف: هذه مشكلة شائعة مع ننس: عندما نعلمها على مجموعة التعلم، فإنها تتعلم التعامل معها، وأحيانا تتعلم جيدا - درجة، عندما يفقد الأداء على مجموعة الاختبار. للتعامل مع هذه المشكلة، يتم استخدام حل تقليدي: نبقي تبحث عن الشبكة العصبية. أن أداء أفضل على مجموعة اختبار، وحفظه، الكتابة فوق أفضل واحد سابق، في كل مرة يتم التوصل إلى ذروة جديدة. هذا هو نفس النهج، استخدمنا في التدريب ففب، إلا، وهذه المرة علينا أن نفعل ذلك أنفسنا (إضافة رمز، التي تبحث عن أفضل شبكة العصبية على مجموعة اختبار، ودعوة سافن، أو تصدير الأوزان من الشبكة العصبية إلى ملف). بهذه الطريقة، عند إيقاف التدريب الخاص بك، سيكون لديك أفضل أداء على اختبار مجموعة حفظ وانتظاركم. لاحظ أيضا أنه ليس الحد الأقصى. الربح كنت بعد، ولكن الأداء الأمثل، لذلك النظر في استخدام التصحيحات، عند البحث عن أفضل أداء على مجموعة اختبار. الخوارزمية الجينية فوركس التحليل الفني: أين الآن بعد أن حصلت على الشبكة العصبية الفائز الخاص بك. يمكنك اتباع الخطوات، وصفها في المادة السابقة، لتصدير أوزان تلك الشبكة العصبية. ومن ثم استخدامها في منصة التداول في الوقت الحقيقي الخاص بك، مثل ميتا التاجر، محطة التجارة وهلم جرا. بدلا من ذلك، يمكنك التركيز على طرق أخرى لتحسين الشبكة العصبية. على عكس خوارزمية ففب، هنا يمكنك الحصول على أفاي من استخدام التعلم واختبار مجموعات، ونقل التعلم المتسلسل. تحميل اللحاء ترتيب اللحاء عرض قائمة الأسعار الرؤية مهمة جدا لهذا الموقع. إذا كنت ترغب في ذلك يرجى ربط هذا أورلبي جيه تشانغ هسيه، شيه هسن تشن، بى تشان تشانغ، يوان تايوان. في العقود الأخيرة، وتطبيق تقنيات الحوسبة الناعمة على نطاق واسع لحل المشاكل المعقدة. ومن بين تقنيات الحوسبة الناعمة، ظهر نظام المناعة الاصطناعي (إيس) كنهج جديد يعالج مشاكل التصنيف. في هذه الورقة، يتم تطوير خوارزمية إيس وتطبيقها على اثنين-غرو. في العقود الأخيرة، وتطبيق تقنيات الحوسبة الناعمة على نطاق واسع لحل المشاكل المعقدة. ومن بين تقنيات الحوسبة الناعمة، ظهر نظام المناعة الاصطناعي (إيس) كنهج جديد يعالج مشاكل التصنيف. في هذه الورقة، يتم تطوير خوارزمية إيس وتطبيقها على مشكلة تصنيف من مجموعتين. ونوقش مثال على الصناعة المصرفية التايوانية، وجمعت النسب المالية لكل مصرف من عام 1998 إلى عام 2002. ويتعين على هذا النظام أن يميز بين الأداء التشغيلي (الجيد أو السيئ) لكل بنك لتقديم مادة مرجعية للمديرين أو المستثمرين. يقارن أداء إيس مع خمسة أنظمة الإنذار المبكر الأخرى، وهي الشبكات العصبية الوراثية (غن)، والتفكير القائم على الحالة (كبر)، والشبكة العصبية الخلفية (بن)، وتحليل الانحدار اللوجستي (لر)، والتحليل التميزي التربيعي (قدا) ). وتشير النتيجة إلى أن نظام إيس المقترح يزيد عن 10 أنظمة أفضل من أنظمة الإنذار المبكر الحاسوبية الثلاث (غن و كبر و بن). ويتفوق النظام إيس على أنظمة الإنذار المبكر الإحصائية (لر) و (كدا) على الأقل 24. 1 - وأكثر كفاءة في عدد من الميادين. تم النظر في تقنيات الحوسبة الناعمة المختلفة على أنظمة الإنذار المبكر المالية مثل بارنيف إت آل. 1، بيل 2، بوريتز وكينيدي 3، كولن -5--، إيثيريدج وسريرام 6، المملكة و فيلدمان 7، لي وآخرون. 11، وأودوم وشاردا 13. أظهرت جميع الأبحاث نتائج مرضية. قدم فريتاس وتيميس 7 أسس أرتيف. بي-تشان تشانغ، شيه هسن تشن - الصناعة، وقائع المؤتمر الدولي الأول للحوسبة المبتكرة والمعلومات والتحكم (ICICIC06 2006. تم دمج الخوارزمية الجينية والشبكة العصبية (غن) لبناء المالية ونظام الإنذار المبكر، ونوقش مثال على الصناعة المصرفية التايوانية لاختبار نسبة ضرب كل نظام، ويقارن الأداء مع أربعة أنظمة الإنذار المبكر الأخرى، وهي المنطق القائم على حالة، باكبروباغ. الخوارزمية الجينية والشبكة العصبية (غن) هي وهي متكاملة لبناء نظام للإنذار المبكر المالي، ويناقش مثال على الصناعة المصرفية التايوانية لاختبار نسبة ضرب كل نظام، ويقارن الأداء مع أربعة أنظمة الإنذار المبكر الأخرى، وهي المنطق القائم على الحالة، الشبكة العصبية الخلفية، الانحدار اللوجستي التحليل، والتحليل التمييزي التربيعي. النتيجة تشير إلى أن غن المقترحة في هذا البحث هو قليلا متفوقة على اثنين من الحوسبة الناعمة الإنذار المبكر ثانية ystems ق. وتتحقق شبكة غن من أنظمة الإنذار المبكر الإحصائي على الأقل 13. د مع تقنيات الحوسبة الناعمة. تعتبر تقنيات الحوسبة فرسسوفت خاصة نيورالنيتوركس والخوارزميات الجينية هذه بارنيف وآخرون بارنيف وآخرون. 1، بيل 2، بوريتز وكينيدي 3، سكولين -5--، إيثيريدج وسريرام 6، المملكة أندسفيلدمان 8، لي وآخرون. 10، وأودوم وشارداس 12. وأظهرت جميع البحوث نتائج مرضية. ولذلك دمج الخوارزمية الجينية و سنزورال n. من قبل لورا نيز-ليتامنديا، غونزالو تشافيز، خوليو دي كاسترو، سلفادور كارمونا ل. تدرس هذه الورقة مشكلة كيفية تأثير التغييرات في تصميم الخوارزمية الجينية (غا) على النتائج التي تم الحصول عليها في تطبيقات الحياة الحقيقية. في هذه الدراسة، ركزت على تطبيق الجمعية العامة لضبط قواعد التداول الفنية في سياق الأسواق المالية، لدينا مؤقتة ث. تدرس هذه الورقة مشكلة كيفية تأثير التغييرات في تصميم الخوارزمية الجينية (غا) على النتائج التي تم الحصول عليها في تطبيقات الحياة الحقيقية. في هذه الدراسة، التي تركز على تطبيق الجمعية العامة لضبط قواعد التداول الفنية في سياق الأسواق المالية، لدينا أطروحة مؤقتة هي أن الجمعية العامة قوية فيما يتعلق بتغييرات التصميم. إن الاستفادة المثلى من الأنظمة التجارية التقنية هي مجال مناسب لتطبيق غا ميتاهوريستيك، حيث أن تعقيد المشكلة ينمو باطراد مع إضافة قواعد تقنية جديدة إلى النظام، ووقت الإجابة أمر بالغ الأهمية عند تطبيق النظام في الوقت الحقيقي البيانات. حتى الآن، فإن معظم تطبيقات غاس لهذا الموضوع أفلت من إمكانية الاعتماد على التصميم في نتائجها. البيانات التي نوردها، استنادا إلى تجاربنا، لا تسمح لنا بدحض فرضية الجمعية العامة لتصميم التنفيذ، عند تطبيقها على أنظمة التداول التقنية ضبط. وقائع المؤتمر الدولي للطرق الحسابية في العلوم والهندسة 2004 تحسين التقنية أنظمة التداول باستخدام إجراء خوارزمية وراثية جديدة ماتلاب مقرها ستيفانوس بابادامو a ،. جورج ستيفانيدس ب. قسم الاقتصاد، جامعة ثيسالي، أرغونوتون وفيلينون، فولوس، اليونان b قسم المعلوماتية التطبيقية، جامعة مقدونيا العلوم الاقتصادية والاجتماعية، إغناتياس 156، تيسالونيكي 54006، اليونان تلقى 18 مايو 2006. قبل 15 ديسمبر 2006. متاح على الإنترنت 24 يناير 2007. وتشير الدراسات الحديثة في الأسواق المالية إلى أن التحليل التقني يمكن أن يكون أداة مفيدة جدا في التنبؤ بالاتجاه. وتستخدم نظم التداول على نطاق واسع لتقييم السوق ومع ذلك، فإن الاستفادة من المعلمة الأمثل لهذه النظم قد جذبت القليل من الاهتمام. في هذه الورقة، لاستكشاف القوة المحتملة للتجارة الرقمية، نقدم أداة ماتلاب جديدة على أساس الخوارزميات الجينية أداة متخصصة في تحسين المعلمة من القواعد التقنية. ويستخدم قوة الخوارزميات الجينية لتوليد حلول سريعة وفعالة في شروط التداول الحقيقية. وقد تم اختبار أداة لدينا على نطاق واسع على البيانات التاريخية لصندوق أوبس الاستثمار في أسواق الأسهم الناشئة من خلال نظامنا الفني محددة. وتظهر النتائج أن غاتراديتول المقترحة لدينا يتفوق استخداما، غير التكيف، وأدوات البرمجيات فيما يتعلق استقرار العودة وتوفير الوقت على مدى فترة العينة بأكملها. ومع ذلك، قدمنا ​​أدلة على احتمال تأثير حجم السكان في نوعية الحلول. الأسواق المالية التنبؤ الخوارزميات الجينية الاستثمار القواعد الفنية 1 المقدمة يحتاج التجار ومحللو الاستثمار اليوم أدوات سريعة وفعالة في سوق مالية لا يرحم. وتجري المعارك في التجارة الآن بشكل رئيسي في سرعة الحاسوب. ويتيح تطوير تكنولوجيا برمجيات جديدة وظهور بيئات برامجية جديدة (مثل ماتلاب) الأساس لحل المشاكل المالية الصعبة في الوقت الحقيقي. ماتلابس شاسعة المدمج في وظائف رياضية والمالية، وحقيقة أنه على حد سواء لغة البرمجة المترجمة والمجمعة واستقلال منصة جعلها مناسبة تماما لتطوير التطبيقات المالية. أدلة على العائدات التي تجنيها القواعد التقنية، بما في ذلك استراتيجيات الزخم (مثلا 14 - 15 16 - 16 - 25 و 20) - متوسط ​​القواعد المتحركة والنظم التجارية الأخرى 6 - يمكن أن يدعم 9 و 24 أهمية التحليل التقني. ومع ذلك، فإن غالبية هذه الدراسات قد تجاهل مسألة الأمثل المعلمة، وتركهم مفتوحة لانتقادات من التطفل البيانات وإمكانية التحيز البقاء 7. 17 و 8. تقليديا استخدم الباحثون مواصفات مخصصة لقواعد التداول. أنها تستخدم التكوين الشعبي الافتراضي أو محاولة عشوائيا من عدد قليل من المعلمات المختلفة واختيار أفضل مع المعايير القائمة على العودة أساسا. بابادامو وستيفانيدس 23. نفذت ماتلاب الأدوات الجديدة القائمة على الحاسوب بمساعدة التقنية التي تضمنت إجراءات لمشاكل الأمثل المعلمة. ومع ذلك، فإن النقطة الضعيفة من الإجراء الأمثل هو الوقت: وظيفة الهدف (على سبيل المثال الربح) ليست بسيطة وظيفة الخطأ التربيعي ولكن واحدة معقدة (كل التكرار الأمثل يمر من خلال البيانات، ويولد إشارات التداول، ويحسب الأرباح، وما إلى ذلك). عندما تكون مجموعات البيانات كبيرة وكنت ترغب في إعادة تشغيل النظام الخاص بك في كثير من الأحيان وتحتاج إلى حل في أقرب وقت ممكن، ثم محاولة الخروج من جميع الحلول الممكنة للحصول على أفضل واحد سيكون مهمة شاقة جدا. الخوارزميات الجينية (غاس) هي أكثر ملاءمة لأنها تؤدي عمليات البحث العشوائي بطريقة منظمة وتتلاقى بسرعة كبيرة على السكان من الحلول الأمثل القريب. سوف غا تعطيك مجموعة (السكان) من حلول جيدة. المحللون مهتمون بالحصول على عدد قليل من الحلول الجيدة بأسرع وقت ممكن بدلا من الحل الأفضل عالميا. الحل الأفضل عالميا موجود، ولكن من المستبعد جدا أن تستمر في أن تكون أفضل واحد. والهدف من هذه الدراسة هو إظهار كيف يمكن استخدام الخوارزميات الجينية، وهي فئة من الخوارزميات في الحساب التطوري، لتحسين أداء وكفاءة أنظمة التداول المحوسبة. وليس الغرض هنا تقديم مبرر نظري أو تجريبي للتحليل الفني. نحن نبرهن على نهجنا في مهمة تنبؤية معينة على أساس أسواق الأسهم الناشئة. ويتم تنظيم هذه الورقة على النحو التالي. ويرد العمل السابق في القسم 2. ويرد وصف مجموعة البيانات ومنهجيتنا في القسم 3. وتناقش النتائج التجريبية في القسم 4. الاستنتاجات يلي القسم 5. 2 العمل السابق هناك مجموعة كبيرة من العمل غا في علوم الكمبيوتر والهندسة المجالات ولكن تم القيام بعمل قليل بشأن المجالات التجارية ذات الصلة. لاتيلي، كان هناك اهتمام متزايد في استخدام غا في الاقتصاد المالي، ولكن حتى الآن لم يكن هناك سوى القليل من البحوث بشأن التداول الآلي. على حد علمنا أول ورقة نشرت ربط الخوارزميات الجينية للاستثمارات كانت من بور و ليبينز 4. باور 5 في كتابه الخوارزميات الوراثية واستراتيجيات الاستثمار قدمت إرشادات عملية حول كيفية غاس يمكن استخدامها لوضع استراتيجيات تجارية جذابة على أساس المعلومات الأساسية. ويمكن توسيع هذه التقنيات بسهولة لتشمل أنواعا أخرى من المعلومات مثل البيانات التقنية وبيانات الاقتصاد الكلي وكذلك الأسعار السابقة. وفقا ألين وكارجالينن 1. الخوارزمية الجينية هي الطريقة المناسبة لاكتشاف قواعد التداول الفنية. فرنانديز-رودريغيز إت آل. 11 من خلال اعتماد الخوارزميات الجينية الأمثل في قاعدة تداول بسيطة توفر أدلة على الاستخدام الناجح لل غاس من بورصة مدريد. بعض الدراسات الأخرى المهتمة هي تلك التي قام بها محفوظ و ماني 18 التي قدمت نظاما جديدا يستند إلى الخوارزمية الجينية وطبقته على مهمة التنبؤ بالأداء المستقبلي للأسهم الفردية بواسطة نيلي إت آل. (21) وسوسيدين وآخرون. 22 الذي طبق البرمجة الجينية على التنبؤ بالنقد الأجنبي وأبلغ عن بعض النجاح. واحدة من مضاعفات في غا الأمثل هو أنه يجب على المستخدم تحديد مجموعة من المعلمات مثل معدل كروس، وحجم السكان ومعدل الطفرة. وفقا ل دي جونغ 10 الذين درسوا الخوارزميات الجينية في وظيفة الأمثل أداء جيد غا يتطلب ارتفاع احتمال كروس (يتناسب عكسيا مع حجم السكان) وحجم السكان المعتدل. غولدبيرغ 12 و ماركيلوس 19 تشير إلى أن مجموعة من المعلمات التي تعمل بشكل جيد عبر العديد من المشاكل هو كروس المعلمة 0.6، وحجم السكان 30 ومعلمة طفرة 0.0333. أجرى باور 4 سلسلة من المحاكاة حول مشاكل التحسين المالي وأكد صحة اقتراحات غولدبرغس. في هذه الدراسة سوف نقوم بإجراء دراسة محاكاة محدودة من خلال اختبار تكوينات المعلمة المختلفة لنظام التداول المختار. وسوف نقدم أيضا أدلة للجمعية العامة المقترحة من خلال مقارنة أداة لدينا مع أدوات البرمجيات الأخرى. 3 المنهجية يتم تنفيذ منهجيتنا في عدة خطوات. أولا، علينا أن ننفذ نظام التداول لدينا على أساس التحليل الفني. في تطوير نظام التداول، تحتاج إلى تحديد متى للدخول ومتى للخروج من السوق. إذا كان التاجر في السوق المتغير الثنائي يساوي واحد خلاف ذلك هو صفر. كما التجار موقف نحن أساس غالبية قراراتنا الدخول والخروج على الرسوم البيانية اليومية من خلال بناء مؤشر الاتجاه التالي (ديمبيتا). يحسب هذا المؤشر انحراف الأسعار الحالية عن متوسطه المتحرك. المؤشرات التي تستخدم في نظام التداول لدينا يمكن أن تكون رسمية على النحو التالي: أين هو سعر إغلاق الصندوق في الوقت والوظيفة موفاف بحساب المتوسط ​​المتحرك البسيط للمتغير إغلاق مع طول الوقت. ويتكون نظام التداول لدينا من مؤشرين، مؤشر ديمبيتا والمتوسط ​​المتحرك من ديمبيتا المعطاة بالمعادلة التالية: إذا تعبر صعودا ثم أدخل طويلا في السوق (أي إشارة شراء). إذا تعبر لأسفل ثم أغلق الموقف الطويل في السوق (أي إشارة البيع). ثانيا، علينا أن نحسن استراتيجية التداول لدينا. ومن المعروف أن تعظيم المهام الموضوعية مثل الربح أو الثروة يمكن أن تحسن نظم التداول. وظيفة الهدف الأكثر طبيعية للتاجر غير حساس للخطر هو الربح. في أداة البرمجيات لدينا نعتبر الأرباح المضاعفة. وتكون الأرباح المضاعفة مناسبة عندما يستثمر جزء ثابت من الثروة المتراكمة في كل صفقة تجارية طويلة. في برنامجنا لا يسمح بالمبيعات قصيرة ويتم تعيين عامل الرافعة المالية ثابتة في، وتعطى الثروة في الوقت المحدد من خلال الصيغة التالية: أين هو العائد تتحقق للفترة المنتهية في الوقت المحدد، هي تكاليف المعاملات ومتغير دمية وهمية مما يدل على موقف طويل أو لا (أي 1 أو 0). وتعطى الأرباح عن طريق طرح من الثروة النهائية الثروة الأولية،. تحسين نظام ينطوي على إجراء اختبارات متعددة في حين متغير واحد أو أكثر من المعلمات (،) ضمن قواعد التداول. عدد الاختبارات يمكن أن تنمو بسرعة هائلة (ميتاستوك لديه بحد أقصى 32 000 الاختبارات). في فينتراديتول 23. لا يوجد حد، ومع ذلك، على معالجة الوقت اعتمادا على نظام الكمبيوتر المستخدمة. في هذا البحث نحن ندرس إمكانية حل مشكلة التحسين باستخدام الخوارزميات الجينية. الخوارزميات الجينية (غاس) التي تم تطويرها من قبل هولندا 13 تشكل فئة من تقنيات البحث والتكيف والتحسين استنادا إلى مبادئ التطور الطبيعي. الخوارزميات الجينية نفسها جيدة لمشاكل التحسين لأنها معروفة أن تظهر متانة ويمكن أن تقدم مزايا كبيرة في منهجية الحل والأداء الأمثل. تختلف غاس عن إجراءات التحسين والبحث الأخرى في بعض النواحي. أولا، أنها تعمل مع ترميز مجموعة المعلمة، وليس المعلمات أنفسهم. لذلك غاس يمكن التعامل بسهولة مع المتغيرات الثنائية. ثانيا، البحث غاس من عدد السكان من النقاط، وليس نقطة واحدة. لذلك يمكن أن توفر غاس مجموعة من الحلول المثلى عالميا. وأخيرا، غاس استخدام فقط وظيفة وظيفة موضوعية، وليس المشتقات أو غيرها من المعرفة المساعدة. لذلك يمكن أن غاس التعامل مع الوظائف غير المستمرة وغير التفاضلية التي توجد في الواقع في مشكلة الأمثل العملي. 4 غاتراديتول المقترحة في غاتراديتول. خوارزمية وراثية تعمل على عدد من الحلول المرشحة ترميز (،). يتم ترميز كل متغير قرار في مجموعة المعلمات كسلسلة ثنائية وكلها متسلسلة لتشكيل كروموسوم. تمثيل الكروموسوم هو متجه مكون من عنصرين يحتوي على معلمات في التشفير الجيني. دقة التمثيل الثنائي هي ثماني بت لكل معلمة (أي 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1). ويبدأ مع السكان شيدت عشوائيا من التخمينات الأولية. يتم تقييم هؤلاء المرشحين الحل من حيث وظيفة هدفنا (مكافئ (4)). من أجل الحصول على المثلى كل كروموسوم تبادل المعلومات باستخدام المشغلين (أي الحسابية كروس 1) اقترضت من الوراثة الطبيعية لإنتاج حل أفضل. يتم استخدام الدالة الهدف (المقياس (4)) لقياس كيفية أداء الأفراد في مجال المشكلة. في حالتنا، فإن معظم الأفراد المجهزة لديها أعلى قيمة عددية من وظيفة الهدف المرتبطة بها. وظيفة اللياقة البدنية يحول القيم وظيفة الهدف الخام إلى أرقام غير سلبية من الجدارة لكل فرد. الأداة تدعم طريقة المقاصة والتحجيم من غولدبيرغ 12 وخوارزمية الترتيب الخطي من بيكر 3. لدينا تقنية اختيار توظف آلية عجلة الروليت لتحديد الاحتمالية الأفراد على أساس أدائها. يتم تحديد قيمة الفاصل الزمني الحقيقي كمجموع قيم اللياقة البدنية الصف على جميع الأفراد في السكان الحاليين. ثم يتم تعيين الأفراد واحد إلى واحد في فترات متجاورة في النطاق 0، مجموع. حجم كل فاصل زمني الفردية يتوافق مع قيمة اللياقة البدنية للفرد المرتبطة بها. لتحديد شخص يتم إنشاء رقم عشوائي في الفاصل الزمني 0، يتم تحديد سوم والفرد الذي تمتد شريحة رقم عشوائي. وتكرر هذه العملية إلى أن يتم اختيار العدد المطلوب من الأفراد 26 - وقد سمح لهؤلاء المرشحين بالمشاركة في عملية حسابية، وهو الإجراء الذي يجمع بين المرشحين الواعدين من أجل خلق الجيل القادم. وكررت هذه الخطوات إلى أن يتم استيفاء معيار محدد جيدا. لأن غا هو أسلوب البحث العشوائي، فإنه من الصعب تحديد معايير التقارب رسميا. وبما أن اللياقة البدنية للسكان قد تظل ثابتة لعدد من الأجيال قبل العثور على فرد متفوق، وتطبيق معايير إنهاء التقليدية يصبح إشكالية. ونتيجة لذلك، اقترحنا تحقيق عدد محدد من التكرارات كمعيار الإنهاء. ويمكن عرض خوارزمية الجينات لدينا في الإطار التالي: 5 النتائج التجريبية في هذا القسم، نطبق منهجيتنا في صندوق استثمار أوبس الاستثمار في أسواق الأسهم الناشئة. 2 البيانات التي تم تحليلها تتكون من 2800 ملاحظة حول أسعار الإغلاق اليومية لهذا الصندوق للفترة 159825604. تم تحديد فترة التحسين بين 1598 إلى 25603. تم تقييم النظام الأمثل خلال الفترة الممتدة 2560325604. تم تحديد مشكلة التحسين لتحديد أطوال الأمثل من مؤشر ديمبيتا ومتوسطه المتحرك لنموذج ديمبيتا بسيط من شأنها تحقيق أقصى قدر من الأرباح. أولا، سيتم دراسة تأثير تكوينات معلمات غا المختلفة. وبشكل أكثر تحديدا نحن مهتمون لقياس تأثير حجم السكان ومعلمة كروس في أداء إجراء التحسين القائم على الخوارزمية الجينية. بناء على توصيات غولدبرغس 12 و باورز 4، يجب أن يكون حجم السكان مساويا ل 30، ويجب أن يكون معدل كروس 0.6 (القيم الافتراضية). تم تعيين عدد التكرارات إلى 300 لجميع المحاكاة. ثانيا، قارنا الحلول من مشكلة التحسين التي أجرتها أدوات البرمجيات المختلفة من أجل قياس صحة غاتراديتول المقترحة. الجدول 1 يوفر نتائج التحسين غا لأحجام مختلفة من السكان. يظهر الصف الأول من الجدول أفضل المعلمات لمؤشر ديمبيتا والمتوسط ​​المتحرك ل ديمبيتا. من أجل قياس تأثير حجم السكان في أفضل حل ندرس سلسلة من الإحصاءات المختلفة. الحل مع الحد الأقصى والحد الأدنى للعائد، ومتوسط ​​العائد، والانحراف المعياري لهذه الحلول، والوقت اللازم لتقارب الخوارزمية، ومؤشر كفاءة محسوبة عن طريق تقسيم الحد الأقصى حل العودة عن طريق الانحراف المعياري للحلول. الجدول 1. تأثير حجم السكان من خلال النظر في الجدول 1 يمكننا القول أنه طالما كنت زيادة حجم السكان أفضل ومتوسط ​​الحلول أعلى. ومع ذلك، بعد أن انخفض عدد السكان من 30 انخفض الأداء. ولكي نأخذ في الاعتبار التكاليف الحسابية التي تنطوي عليها الزيادة في حجم السكان، نحسب الوقت اللازم لحل المشكلة. انخفاض حجم السكان يؤدي إلى انخفاض الأداء وانخفاض وقت الانتهاء. ووفقا لمؤشر الكفاءة فإن أفضل حل هو الذي يعطى من قبل حجم السكان 20. من أجل إنشاء قاعدة أداء الخوارزمية، أجريت 30 تجربة للجمعية العامة، مع مختلف السكان بدءا عشوائي لكل تجربة. الشكل 1 أ. يبين كيف تحسنت الأداء بمرور الوقت عن طريق التآمر متوسط ​​الحد الأقصى للياقة البدنية كنسبة مئوية من القيمة المثلى مقابل رقم الجيل. نحن أول القبض على قيمة اللياقة البدنية القصوى لكل من التجارب 30 يتم ذلك لكل جيل وكل محاكمة. ثم قمنا بحساب متوسط ​​قيم اللياقة البدنية القصوى وقسمنا هذا العدد من خلال القيمة المثلى لللياقة البدنية، والتي تم الحصول عليها من خلال البحث التعدادي (أداة فينتراد، 23)، وهذا أعطانا متوسط ​​اللياقة القصوى كنسبة مئوية من القيمة المثلى لكل جيل. الشكل 1 أ. إعدادات المعلمة الأساسية: النسبة المئوية الأمثل. وكما يتبين من الشكل 1 أ. فإن متوسط ​​اللياقة القصوى للجيل الأول هو حوالي 74 من القيمة المثلى. ومع ذلك، من خلال الجيل الخمسين، وعادة ما وجدت الخوارزمية على الأقل حل واحد كان في حدود 90 من القيمة المثلى. وبعد جيل الخمسين، يمكن أن يصل الحل إلى 98 من القيمة المثلى. مع مقاييس الأداء من إعدادات قاعدة لدينا كنقطة مرجعية، فحصنا الاختلافات المحتملة في الإجراء الأساسي. قمنا بدراسة تأثير التغيرات في حجم السكان ومعدل التقاطع. لكل إعداد معلمة مختلفة، أجرينا 30 تجربة للخوارزمية ومن ثم قارنت الرسوم البيانية لمتوسط ​​اللياقة البدنية القصوى مع تلك التي تم الحصول عليها لإعداد قاعدة. أولا، حاولنا معدلات كروس 0.4 و 0.8. وتظهر النتائج في الشكل 1 ب والشكل 1 ج. والتي تشبه الشكل 1 أ. ونتيجة لذلك المعلمات كروس لا تؤثر على الحل الأمثل لدرجة حرجة. ومع ذلك، فإن النتائج تختلف عندما نقوم بتغيير حجم السكان. وفقا للشكل 1d والشكل 1e. مع حجم سكاني صغير كان لدينا نتائج أكثر فقرا من مع عدد كبير من السكان. عندما اخترنا 80 حجم السكان حققنا عوائد عالية في الأجيال الأولى. الشكل 1 ب. كروس 0.40: في المئة من الأمثل. الشكل 1 ج. كروسوفر 0.80: في المئة من الأمثل. الشكل 1 د. السكان 80: في المئة من الأمثل. الشكل 1e. السكان 20: في المئة من الأمثل. من خلال النظر في الجدول 2 يمكنك مقارنة نتائج التحسين من نظام التداول لدينا باستخدام ثلاثة أدوات البرمجيات المختلفة. الصف الأول يعطي نتيجة ل غاتراديتول ضد ميتاستوك و فينتراديتول 23. لدينا أداة البرمجيات المقترحة (غاتراديتو ل) يمكن أن تحل مشكلة التحسين بسرعة كبيرة دون أي قيود محددة حول عدد من الاختبارات الإجمالية. الحد الأقصى لعدد الاختبارات التي يمكن القيام بها في برنامج ميتاستوك هو 32 000. و فينتراديتول يحتاج الى مزيد من الوقت من أجل العثور على الحل الأمثل. الحل الذي توفره غاتراديتول. على مقربة من الحل الأمثل من فينتراديتول. الجدول 2: مقارنة ثلاث أدوات مختلفة للبرمجيات (ديمبيتا. MovAv (ديمبيتا) تم اختبار أنظمة التداول ذات المعايير المثلى التي تم العثور عليها في الفترة 159825603 في فترة التقييم 2560325604. تم زيادة أداء نظام التداول لدينا في جميع أدوات البرمجيات. ومع ذلك، يجب النظر إلى تكلفة الوقت على محمل الجد (العمود 4). الشكل 2 يصور تطور الحد الأقصى، والحد الأدنى ومتوسط ​​العائد عبر 300 أجيال لنظام التداول ديمبيتا (حجم السكان 80، معدل كروس 0.6). ويمكن ملاحظة أن العائد الأقصى له اتجاه إيجابي. ويبدو أنه مستقر نسبيا بعد 150 أجيال ويتحرك في المدى ما بين 1.2 و 1 (أي 120100 العودة). للحد الأدنى اللياقة البدنية لا يوجد نمط يبدو أن الوجود. وبالنسبة لمتوسط ​​عدد السكان، يمكن العثور على اتجاه تصاعدي واضح في الأجيال ال 180 الأولى، وهذا مؤشر على أن اللياقة العامة للسكان تتحسن بمرور الوقت. وفيما يتعلق بتقلب الحلول، فإن الانحراف المعياري للحلول بعد الزيادة في الأجيال الأولى يستقر في نطاق يتراوح بين 0،3 و 0،6 يوفر دليلا على وجود مجموعة مستقرة وفعالة من الحلول. الشكل 2. تطور عدة إحصاءات أكثر من 300 أجيال. يوفر الشكل 3 مؤامرة ثلاثية الأبعاد من الحلول المثلى التي تقدمها غاتراديتول. في المحاور ولدينا المعلمات، لمؤشر ديمبيتا ومتوسطه المتحرك. المحور 2 يظهر عودة نظام التداول ديمبيتا للمعلمات المثلى المختارة. كما يمكن فهمها بسهولة أداة لدينا يوفر مجالا من الحلول المثلى على النقيض من فينتراديتول التي توفر فقط أفضل حل. الشكل 3. مؤامرة 3-D من المنطقة المثلى. 6 الاستنتاجات في حين أن التحليل التقني يستخدم على نطاق واسع كنهج استثماري بين الممارسين أو الأكاديميين، إلا أنه نادرا ما يركز على مسألة تحسين البارامترات. ليس دورنا هو الدفاع عن التحليل الفني هنا، على الرغم من أن نتائجنا تظهر أن هناك بعض القدرة على التنبؤ في صندوق أوبس المشترك للاستثمار في أسواق الأسهم الناشئة استنادا إلى البيانات التاريخية وحدها. هدفنا الرئيسي في هذه الورقة هو توضيح أن التكنولوجيا الجديدة من ماتلاب يمكن استخدامها من أجل تنفيذ أداة الخوارزمية الجينية التي يمكن أن تحسن الاستفادة المثلى من أنظمة التداول التقنية. تظهر نتائجنا التجريبية أن غاتراديتول يمكن أن يحسن التداول الرقمي من خلال توفير بسرعة مجموعة من الحلول المثلى القريبة. وفيما يتعلق بتأثير تكوينات معلمات غا المختلفة، وجدنا أن زيادة حجم السكان يمكن أن تحسن أداء النظام. المعلمة من معدل كروس لا يؤثر بجدية على نوعية الحل. من خلال مقارنة الحلول لمشكلة التحسين التي أجرتها أدوات البرمجيات المختلفة، وجدنا أن غاتراديتول يمكن أن تؤدي بشكل أفضل، من خلال توفير سريع جدا مجموعة من الحلول المثلى التي تقدم الاتساق طوال فترة التقييم. وأخيرا، سيكون من المثير للاهتمام إجراء مزيد من البحوث لاختبار سلسلة من النظم المختلفة من أجل رؤية الارتباط بين الخوارزمية الجينية وأداء النظام. في وقت من التغيرات المتكررة في الأسواق المالية، يمكن للباحثين والتجار بسهولة اختبار نظم محددة في غاتراديتول من خلال تغيير فقط وظيفة التي تنتج إشارات التداول. Acknowledgements وكانت هذه الورقة البحثية جزءا من البحوث ما بعد الدكتوراه من الدكتور S. بابادامو التي تم تمويلها من قبل مؤسسة المنح الدراسية الحكومية إيكي اليونانية. المراجع 1 واو. R. كارجالينن باستخدام الخوارزميات الجينية للعثور على قواعد التداول الفنية مجلة الاقتصادية الاقتصادية. فولوم 51. 1999. ب. 245271 2 H. L. ألين. M. P. تايلور استخدام التحليل الفني في سوق الصرف الأجنبي مجلة المالية الدولية والمالية. المجلد الأول، 1992. ص 303314 3 ج. بيكر، طرق اختيار التكيف للخوارزميات الجينية، في: وقائع المؤتمر الدولي الأول بشأن الخوارزميات الجينية، 1985، ص 101111 4 R. J. باور. G. E. ليبينز الخوارزميات الجينية واستراتيجيات التداول المحوسبة نظم الخبراء في المالية. D. E. أوليري. P. R. واتكينز. 1992. إلزيفير سسينس بوبليشرز، أمستردام، هولندا 5 R. J. باور الابن الخوارزميات الوراثية واستراتيجيات الاستثمار 1994. جون وايلي أمب أبناء، المؤتمر الوطني العراقي، نيويورك 6 W. بروك. J. لاكونيشوك. B. ليبارون قواعد التداول الفنية البسيطة وخصائص ستوكاستيك من عوائد الأسهم مجلة المالية. فولوم 47. 1992. ب. 17311764 7 S. براون. W. غوتزمان. ر. إبوتسون. S. روس البقاء على قيد الحياة التحيز في دراسات الأداء استعراض الدراسات المالية. فولوم 5. 1992. ب. 553580 8 S. براون. W. غوتزمان. S. روس مجلة البقاء على قيد الحياة المالية. فولوم 50. 1995. ب. 853873 9 Y. W. تشيونغ. C. Y.P. وونغ أداء قواعد التداول على أربعة أسعار صرف العملات الآسيوية مجلة المالية متعددة الجنسيات. فولوم 1. 1997. ب. 122 10 K. دي جونغ، تحليل لسلوك فئة من النظم التكيفية الوراثية، دكتوراه. ديس. 76-9381، 1975 11 F. فرنانديز-رودريغيز، C. غونزليز-مارتل، S. Sosvilla-ريفيرو، أوبتيميزاتيون أوف تيشنيكال رولز بي جينيتيك ألغوريثمز: إيفيدنس فروم ذي مادريد ستوك ماركيت، وركينغ بابس 2001 -14، فيديا، 2001. فتب: ftp. fedea. espubPapers2001dt2001-14.pdf 12 دي خوارزميات جولدبيرج الجينية في البحث والتحسين وتعلم الآلة 1989. أديسون-ويسلي 13 J. H. هولندا التكيف في النظام الطبيعي والاصطناعي 1975. جامعة ميشيغان الصحافة 14 N. جيغاديش. S. تيتمان يعود إلى شراء الفائزين وبيع الخاسرين: الآثار المترتبة على كفاءة سوق الأسهم مجلة المالية. فولوم 48. إيسو 1. 1993. ب. 6591 15 P. J. كوفمان ذي نيو كوموديتي ترادينغ سيستمز أند ميثودس 1987. جون ويلي أمب سونس 16 B. N. ليمان فاد، مارتينغالس، وكفاءة السوق الفصلية مجلة الاقتصاد. فولوم 105. 1990. ب. 128 17 A. W. لو. ماكنلاي عندما تكون الأرباح مناقضة بسبب سوق الأوراق المالية المبالغ فيه مراجعة الدراسات المالية. المجلد 3. 1990. ص. 175206 18 S. محفوظ. G. ماني التنبؤ المالي باستخدام الخوارزميات الجينية مجلة الذكاء الاصطناعي التطبيقي. فولوم 10. إيسو 6. 1996. ب. 543565 19 R. N. ماركيلوس نظم التداول باكتستينغ مجلة الذكاء الحسابي في المالية. فولوم 5. إيسو 6. 1997. ب. 510 20 L. مينخوف. M. سكلومبرجر الربحية المستمرة للتحليل الفني لأسواق الصرف الأجنبي بنل مراجعة ربع سنوية. فولوم 193. 1995. ب. 189216 21 C. نيلي، P. ويلر، R. ديتمار، هل التحليل الفني في سوق الصرف الأجنبي مربح نهج البرمجة الوراثية، في: C. دنيس، B. روستم، (إدس.)، الإجراءات والتنبؤ بالأسواق المالية: التقدم في أسعار الصرف، وأسعار الفائدة وإدارة الأصول، لندن، 1997 22 M. أوسيدين. B. شوبارد. O. بيكتيت. M. توماسيني الجوانب العملية والخبرات البرمجة الوراثية المتوازية وتطبيقها على نموذج التداول التعريفي مجلة الحوسبة المتوازية. فولوم 23. إيسو 8. 1997. ب. 11831198 23 S. بابادامو. G. ستيفانيدس جديد الأدوات القائمة على ماتلاب للكمبيوتر بمساعدة التداول الفني الديناميكي أخبار الهندسة المالية. العدد 31. 2003 24 S. بابادامو. S. تسوبوغلو التحقيق في ربحية نظم التحليل الفني في أسواق الصرف الأجنبي الإدارة المالية. المجلد 27. العدد 8. 2001. ب. 6378 25 واو. ويرنر. D. بوندت. R. ثالر أدلة إضافية على رد الفعل المفرط للمستثمرين وموسمية سوق الأسهم مجلة المالية. 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.