Met behulp van genetiese algoritmes Finansiële Markte laai die speler skatting. Burton voorgestel in sy boek, A Random Walk Down Wall Street, (1973) dat 'n geblinddoek aap gooi veerpyltjies op 'n koerante finansiële bladsye kan 'n portefeulje wat net so goed soos sou doen een noukeurig gekies deur kundiges kies. Terwyl evolusie mense nie meer intelligente kan gemaak by pluk voorrade, Charles Darwin teorie het baie effektief wanneer meer direk toegepas. (Om jou te help kies lêers, kyk hoe 'n voorraad te tel.) Wat is genetiese algoritmes Genetiese algoritmes (gas) is probleemoplossingsmetodes (of heuristiek) dat die proses van natuurlike evolusie naboots. In teenstelling met kunsmatige neurale netwerke (Anns), wat ontwerp is om te funksioneer soos neurone in die brein, hierdie algoritmes gebruik die konsepte van natuurlike seleksie om die beste oplossing vir 'n probleem te bepaal. As gevolg hiervan, is die gas wat algemeen gebruik word as Optimizers dat parameters aan te pas by 'n paar terugvoer maatreël, wat dan onafhanklik of in die konstruksie van 'n ANN gebruik kan word te minimaliseer of te maksimeer. In die finansiële markte. genetiese algoritmes word gewoonlik gebruik om die beste kombinasie waardes van parameters in 'n handel reël, en hulle kan gebou word in ANN modelle ontwerp om aandele te kies en te identifiseer ambagte. Verskeie studies het getoon dat hierdie metodes doeltreffend kan bewys, insluitend genetiese Algoritmes: Genesis van Stock Evaluering (2004) deur Rama, en die toepassing van genetiese algoritmes in die aandelemark Data-ontginning Optimization (2004) deur Lin, Cao, Wang, Zhang. (Vir meer inligting oor ANN, sien Neurale Netwerke:. Vooruitskatting Winste) hoe genetiese algoritmes werk, Genetiese algoritmes wiskundig is geskep met behulp van vektore, wat hoeveelhede daardie rigting en omvang het is. Parameters vir elke handel reël verteenwoordig met 'n een-dimensionele vektor wat as 'n chromosoom in genetiese terme kan beskou. Intussen kan die gebruik in elke parameter waardes van word gedink as gene, wat dan verander met behulp van natuurlike seleksie. Byvoorbeeld, kan 'n handel reël die gebruik van parameters soos bewegende gemiddelde Konvergensie-divergensie (MACD) betrek. Eksponensiële bewegende gemiddelde (EMA) en Stochastics. 'N genetiese algoritme dan insetwaardes in hierdie parameters met die doel van die maksimalisering van netto wins. Met verloop van tyd, is klein veranderinge en diegene wat 'n desirably impak maak behou vir die volgende generasie. Daar is drie tipes van genetiese bedrywighede wat dan uitgevoer kan word: CROSSOVER verteenwoordig die voortplanting en biologiese crossover gesien in biologie, waardeur 'n kind neem op sekere eienskappe van sy ouers. Mutasies verteenwoordig biologiese mutasie en word gebruik om genetiese diversiteit van een generasie van 'n bevolking na die volgende in stand te hou deur die instelling van ewekansige klein veranderinge. Keuses is die stadium waarop individuele genome is gekies uit 'n bevolking vir latere teling (rekombinasie of crossover). Hierdie drie operateurs word dan gebruik in 'n vyf-stap proses: inisialiseer 'n ewekansige bevolking, waar elke chromosoom N is - Lengte, met N synde die aantal parameters. Dit is, 'n ewekansige getal parameters gevestig met n elemente elk. Kies die chromosome, of parameters, wat wenslik resultate (vermoedelik netto wins) te verhoog. Pas mutasie of crossover operateurs om die geselekteerde ouers en genereer 'n nageslag. Herkombineer die spruite en die huidige bevolking om 'n nuwe bevolking met die keuse operateur vorm. Herhaal stappe 2-4. Met verloop van tyd, sal hierdie proses lei tot toenemende gunstige chromosome (of, parameters) vir gebruik in 'n handels reël. Die proses word dan beëindig toe 'n stop kriteria voldoen word, wat die bestuur van tyd, fiksheid, aantal generasies of ander kriteria kan insluit. (Vir meer inligting oor die MACD, lees Trading Die MACD divergensie.) Met behulp van genetiese Algoritmes in Trading Terwyl genetiese algoritmes hoofsaaklik gebruik word deur institusionele kwantitatiewe handelaars. sonder 'n graad in gevorderde wiskunde - - individuele handelaars kan die krag van genetiese algoritmes te span met behulp van verskeie sagtewarepakkette op die mark. Hierdie oplossings wissel van selfstandige sagteware pakkette wat gerig is op die finansiële markte te Microsoft Excel add-ons wat meer hands-on analise kan fasiliteer. By die gebruik van hierdie aansoek, kan handelaars 'n stel van parameters wat dan new behulp van 'n genetiese algoritme en 'n stel van historiese data te definieer. Sommige programme kan optimaliseer wat parameters gebruik en die waardes vir hulle, terwyl ander in die eerste plek gerig is op net die optimalisering van die waardes vir 'n gegewe stel parameters. (Vir meer inligting oor hierdie program afgelei strategieë te leer, sien die krag van Kursus ambagte.) Belangrike Optimization Wenke en truuks Krommepassing (oor gepaste), die ontwerp van 'n handel stelsel om historiese data, eerder as die identifisering van herhaalbare gedrag, verteenwoordig 'n potensiële risiko vir handelaars met behulp van genetiese algoritmes. Enige handel stelsel met behulp van gas moet vorentoe-getoets op papier voor lewendige gebruik. Die keuse van parameters is 'n belangrike deel van die proses, en handelaars moet soek parameters wat ooreenstem met die veranderinge in die prys van 'n gegewe sekuriteit. Byvoorbeeld, probeer om uit verskillende aanwysers en kyk of enige lyk korreleer met groot mark draai. Die bottom line Genetiese algoritmes is uniek maniere om komplekse probleme op te los deur die benutting van die krag van die natuur. Deur die toepassing van hierdie metodes te voorspel sekuriteite pryse, kan handelaars handel reëls te optimaliseer deur die identifisering van die beste waardes te gebruik vir elke parameter vir 'n gegewe sekuriteit. Maar hierdie algoritmes is nie die Heilige Graal, en handelaars moet versigtig wees om die regte parameters en nie boogpas (oor fiks) kies. (Vir meer inligting oor die mark, check Luister na die mark, nie die Pundits.) Ontwikkelingsliggaam bewegende gemiddelde Trading Reëls op die olie termynmark met genetiese algoritmes 1 Skool vir Geesteswetenskappe en ekonomiese bestuur, China Universiteit van Ondergrond, Beijing 100083, China 2 Sleutel Laboratorium drakrag Assessering vir Hulpbron - en Omgewing, die Ministerie van Grond en Hulpbronne, Beijing 100083, China 3 Lab van hulpbronne en Omgewingsbestuur, China Universiteit van Ondergrond, Beijing 100083, China 4 Institute of Chinax2019s Ekonomiese hervorming en ontwikkeling, Renmin Universiteit van China, Beijing 100872, China Ontvang 19 Februarie 2014 hersien 4 Mei 2014 Aanvaarde 7 Mei 2014 Gepubliseer Mei 26, 2014 Akademiese Redakteur: Wei Chen Kopiereg xa9 2014 Lijun Wang et al. Dit is 'n oop toegang artikel versprei onder die Creative Commons Attribution-lisensie. aan wie onbeperkte gebruik, verspreiding en reproduksie in enige medium toelaat, op voorwaarde dat die oorspronklike werk is behoorlik aangehaal. Abstract Die ru-olie termynmark speel 'n kritieke rol in finansies energie. Om groter beleggingsopbrengs kry, skoliere en handelaars gebruik tegniese aanwysers wanneer die keuse van handel strategieë in olie termynmark. In hierdie vraestel, die skrywers gebruik bewegende gemiddelde pryse van olie termynkontrakte met genetiese algoritmes om winsgewend handel reëls op te wek. Ons gedefinieer individue met verskillende kombinasies van tydperk lengtes en berekeningsmetodes soos bewegende gemiddelde handel reëls en gebruik genetiese algoritmes om te soek na die geskikte lengte van bewegende gemiddelde periodes en die toepaslike berekening metodes. Die skrywers gebruik daaglikse ru-olie pryse van Nymex termynmark 1983-2013 te evalueer en kies bewegende gemiddelde reëls. Ons vergelyk die gegenereerde reëls handel met die koop-en-hou (BH) strategie om te bepaal of gegenereer bewegende gemiddelde handel reëls kan oortollige opbrengste in die ru-olie termynmark te verkry. Deur 420 eksperimente, ons bepaal dat die gegenereerde handel reëls help handelaars wins maak wanneer daar duidelik prysskommelings. Gegenereer handel reëls kan oortollige opbrengste realiseer wanneer die prys daal en ervaar beduidende fluktuasies, terwyl BH strategie is beter as prysverhogings of glad met 'n paar skommelinge. Die resultate kan help handelaars kies beter strategieë in verskillende omstandighede. 1. Inleiding Energie is noodsaaklik vir ekonomiese ontwikkeling. Huishoudelike aktiwiteite, industriële produksie en beleggings infrastruktuur al verteer energie direk of indirek, maak nie saak in die ontwikkeling of ontwikkelde lande 1. Kwessies wat verband hou met energie handel 2, energie-doeltreffendheid 3, energiebeleid 4 x20136, energieverbruik 7 en energie Finansies 8 het meer belang ontvang in die afgelope jaar. Ru-olie termynkontrakte mark is 'n belangrike deel van finansies energie binne die bestek van die globale energie-mark. Handelaars en navorsers in diens tegniese ontleding gereedskap om betaalde handel reëls te identifiseer in die finansiële markte. Gevolglik bewegende gemiddelde aanwysers word algemeen gebruik in tegniese ontleding tot 'n groter opbrengste te verwesenlik. Hierdie vraestel poog om te beantwoord of in die werklike lewe 'n belegger kan gebruik bewegende gemiddelde tegniese handel reëls om oortollige opbrengste verkry deur op soek na winsgewende bewegende gemiddelde reëls handel met genetiese algoritmes in die ru-olie termynmark. Genetiese algoritmes is wyd gebruik word in sosiale wetenskappe 9. 10, veral in sekere komplekse kwessies waar dit moeilik is om die presiese berekeninge uit te voer. Dit is 'n tendens om fisiese of wiskundige metodes in energie en hulpbronekonomie 11 x201316 toe te pas. Navorsers het genetiese algoritmes toegepas op die voorspelling van steenkool produksie-omgewingsbesoedeling 17, die interne seleksie en keuse mark gedrag in die mark 18, die ru-vraag na olie voorspel 19, die vermindering van die koste brandstof en gas-emissies van elektriese kragopwekking 20, en die forex stelsel 21. Met betrekking tot die finansiële tegniese analise kwessies, skoliere gebruik genetiese algoritmes om die beste handel reëls en winsgewende tegniese aanwysers soek wanneer beleggingsbesluite 22 x201325. Genetiese algoritmes gekombineer met ander instrumente soos die-agent-gebaseerde model 26, fuzzy wiskunde teorie 27, en neurale netwerke 28. Daar is ook 'n paar studies wat genetiese algoritmes gebruik om die prystendense voorspel in die finansiële markte 29. 30 of die wisselkoers van die buitelandse valuta mark 31. As daar 'n groot aantal van die tegniese reëls handel en tegniese aanwysers beskikbaar in die ru-olie termynmark, dit is onprakties om ergodiese berekeninge of sekere ander akkurate berekening metodes gebruik. Daarom, die gebruik van genetiese algoritmes is 'n haalbare manier om hierdie probleem op te los. Bewegende gemiddelde aanwysers is wyd gebruik word in die studie van aandele en futures markte 32 x201337. Twee bewegende gemiddeldes van verskillende lengtes is in vergelyking met die prys tendense in verskillende markte te voorspel. Kort bewegende gemiddeldes is meer sensitief vir prysveranderinge as langes. As 'n kort bewegende gemiddelde prys is hoër is as 'n lang tydperk bewegende gemiddelde prys, sal handelaars glo die prys sal styg en neem lang posisies. Wanneer die kort bewegende gemiddelde prys val en kruise met die lang een, sal teenoorgestelde handelsaktiwiteite word 38. Allen en Karjalainen (AK) 39 gebruik genetiese algoritmes om tegniese handel reëls te identifiseer in aandelemarkte met 'n daaglikse pryse van die Sx26P 500. Die bewegende gemiddelde prys was gebruik as een van die vele aanwysers van die tegniese reëls. Ander aanwysers, soos die gemiddelde waarde en die maksimum waarde, word ook gebruik by die maak van beleggingsbesluite. Wang 40 gedoen soortgelyke navorsing oor spot en futures markte met behulp van genetiese programing, terwyl Hoe 41 toegepas AKx2019s metode om verskillende cap aandele om die toepaslikheid van grootte te bepaal. William, vergelyk verskillende tegniese reëls en kunsmatige neurale netwerk (ANN) reëls met betrekking tot olie termynmark, bepaal dat die ANN is 'n goeie hulpmiddel, dus twyfel werp op die doeltreffendheid van die oliemark 38. Al hierdie studies kombineer bewegende gemiddelde aanwysers met ander aanwysers aan handel reëls op te wek. Maar in hierdie vraestel gebruik ons bewegende gemiddeldes te handel reëls, wat 'n eenvoudige en doeltreffende benadering kan wees genereer. Die prestasie van 'n bewegende gemiddelde handel reël is beduidend beïnvloed deur die tydperk lengtes 42. Daarom vind optimale lengtes van die twee periodes bo is 'n sentrale kwessie in tegniese ontleding literatuur. 'N Verskeidenheid van lengtes is probeer om in bestaande navorsingsprojekte 43 x201348. In die bestaande navorsing, die meeste van bewegende gemiddelde reëls gebruik vaste bewegende gemiddelde tydperk lengtes en enkele bewegende gemiddelde metode berekening. Dit is egter beter om veranderlike lengtes gebruik vir verskillende beleggingstydperke 49. 50 en daar is verskillende tipes van bewegende gemiddelde berekeningsmetode wat gebruik kan word in tegniese ontleding. In hierdie vraestel, ag geneem word dat die optimale lengte van die bewegende gemiddelde periodes en die beste berekeningsmetode kan wissel van een geleentheid om 'n ander wat ons gebruik genetiese algoritmes om die geskikte lengte van die bewegende gemiddelde tydperk en die toepaslike metode bepaal. Ses bewegende gemiddelde berekening metodes word oorweeg in hierdie vraestel en genetiese algoritmes kan ons help om uit te vind die beste metode en gepaste tydperk lengtes vir verskillende omstandighede. Gevolglik het ons in staat is om die mees geskikte bewegende gemiddelde handel reëls aan te bied vir handelaars in die ru-olie termynmark. 2. Data en Metode 2.1. Data Ons gebruik die daaglikse pryse van die ru-olie termynkontrak 1 vir die periode 1983-2013 van die New York Merchantile Exchange (Databron: www. eia. gov/dnav/pet/petx5fprix5ffutx5fs1x5fd. htm). Ons kies 20 groepe van steekproefdata, elk met 1000 daaglikse pryse. In die 1000 daaglikse pryse, is 'n 500-dag prys reeks gebruik om handel reëls op te lei in elke generasie. Die volgende 200 pryse word gebruik om die beste gegenereer handel reël van alle generasies kies, en die laaste 300 daaglikse pryse word gebruik om vas te stel of die gegenereerde reël oortollige opbrengste kan verkry. Die eerste groep begin in 1985, die laaste groep eindig in 2013, en elke 1000-dag prys reeks met 'n stap van 300 gekies word. Ons moet ook 500 meer daaglikse pryse voor elke monster reeks om die bewegende pryse te bereken vir die monster tydperk. Dus, elke onafhanklike eksperiment vereis 'n 1500-dag prys reeks. Die data wat ons gebruik word in Figuur 1. Figuur 1: Data seleksie. 2.2. Metode Moving gemiddelde handel reëls te fasiliteer besluitneming vir handelaars deur twee bewegende gemiddeldes van verskillende tydperke te vergelyk. Op hierdie manier, kan handelaars die prys tendens voorspel deur die ontleding van die wisselvalligheid van die bewegende gemiddelde pryse. Daar is ses bewegende gemiddelde indictors gewoonlik gebruik in tegniese ontleding: eenvoudige bewegende gemiddelde (SMA), geweeg bewegende gemiddelde (WBA), eksponensiële bewegende gemiddelde (EMA), adaptive bewegende gemiddelde (AMA), tipiese prys bewegende gemiddelde (TPMA), en driehoekige bewegende gemiddelde (TMA). Die berekening metodes van bewegende gemiddelde aanwysers word in Tabel 1. Tabel 1: Besonderhede van die ses bewegende gemiddelde aanwysers. Om 'n bewegende gemiddelde handel reël gebruik in die olie termynmark, moet ten minste drie parameters gestel word om 'n handel strategie te vestig. Hierdie parameters sluit die lengtes van twee bewegende gemiddelde periodes en die keuse van die bewegende gemiddelde metode van die bogenoemde ses tipes. Ander navorsers het verskillende lengtes van die monster tydperke wat in hul studies. In hierdie vraestel gebruik ons genetiese algoritmes om gepaste lengtes van die bewegende gemiddelde tydperk te bepaal. Volgens bestaande literatuur, die lang tydperk is oor die algemeen tussen 20 en 200 dae (baie min studies gebruik periodes van langer as 200 dae) 38. 39, en die kort tydperk is oor die algemeen nie meer as 60 dae. As die lang gemiddelde prys is laer as die kort gemiddelde prys, sal 'n handelaar 'n lang posisie in te neem. Dit volg dus dat in teenoorgestelde situasies, sal teenoorgestelde strategieë aangeneem word. Let op die prys wisselvalligheid in die termynmark, neem 'n lang posisie wanneer die kort gemiddelde prys oorskry die lang gemiddelde prys word deur ten minste een standaardafwyking in die kort tydperk kan 'n goeie reël wees. Aan die ander kant, neem 'n kort posisie kan ook 'n goeie reël wees. Daarom het ons ontwerp om die twee reëls in ons aanvanklike handel reëls. Die Volledige berekening metodes van die ses bewegende gemiddeldes word in Figuur 2. Figuur 2: Die struktuur van handel reëls. A 17-binêre string word gebruik om 'n handels reël waarin 'n sewe-binêre substring verteenwoordig (MK) verteenwoordig (x2009x2009is die lang tydperk lengte en is die kort tydperk lengte) 'n ses-binêre substring is (behoort aan die omvang van 1 tot 64) 'n drie-binêre substring verteenwoordig die berekeningsmetode van gemiddelde pryse. In hierdie vraestel, die verskeidenheid van tot 5 tot 132. Die laaste binêre bepaal of om handel strategieë te verander slegs wanneer daar is meer as een standaardafwyking verskil tussen twee bewegende gemiddelde pryse. Die struktuur van handel reëls word in Figuur 2. Die fiksheid van 'n verhandeling reël word bereken volgens die wins kan maak in die ru-olie termynmark. Om gegenereer handel reëls te vergelyk met die BH (koop-en-hou, neem die lang posisie regdeur die tydperk) strategie, die wins van 'n gegenereer reël is die oorskot opbrengs koers wat die BH strategie oorskry. Die berekeningsmetode van die opbrengs koers verwysings AKx2019s metode. Die verskil is dat ons toelaat dat 'n handelaar 'n posisie vir 'n lang tyd te hou, en ons het nie die terugkeer elke dag te bereken. Oorweeg is die oorskot opbrengs koers van 'n lang posisie strategie, dit wil sê die volle getal van die terugkeer van die lang posisie en kort posisie. Rf is die risiko gratis wanneer uit die mark, en RBH is die opbrengskoers van die BH strategie in die monster tydperk. Rm is die marge verhouding van die termynmark. Die parameter dui op die eenrigting-transaksie koste koers. en verteenwoordig die opening prys en sluitingsprys van 'n posisie (lank of kort), onderskeidelik. is die prys van die eerste dag in 'n hele tydperk en is die prys van die laaste dag. Soos ons die bedrag van verandering in die alledaagse marge en die sperdatum van die kontrak te ignoreer, kan 'n handelaar sy strategie deur die neem van nuwe poste wanneer 'n kontrak nader sy sluitingsdatum handhaaf. Die fiksheid waarde is 'n getal tussen 0 en 2 bereken deur lineêre omskakeling volgens Ra. Die fiksheid waarde berekening, seleksie, crossover, en mutasie van individue geïmplementeer met behulp van die GA toolbox van Sheffield in die Matlab platform. In elke generasie, om die overfitting van opleiding data te vermy, sal die beste handel reël in elke generasie word getoets in 'n seleksie monster tydperk (die 200-dag prys reeks). Eers toe die fiksheid waarde is hoër as die beste waarde in die laaste geslag of wanneer die twee waardes is byna dieselfde (x3c 0.05) kan die verhandeling reël as die beste tot dusver gemerk. In elke generasie, sal 90 persent van die bevolking gekies word om 'n nuwe generasie vorm, terwyl die ander 10 persent lukraak gegenereer sal word. Gevolglik kan die evolusie van individue met behulp van genetiese algoritmes in 'n enkele onafhanklike eksperiment soos volg opgesom word. Stap 1 (inisialiseer bevolking). Lukraak skep 'n aanvanklike bevolking van 20 bewegende gemiddelde handel reëls. Stap 2 (evalueer individue). Die fiksheid van elke individu word bereken in die evaluering stap. Die program word bereken dat die bewegende gemiddelde pryse in twee verskillende skale gedurende die opleidingstydperk met behulp van die hulp data en bepaal die posisies op elke verhandelingsdag. Die oorskot opbrengs koers van elke individu word dan bereken. Ten slotte, is die fiksheid van elke individu volgens die oorskot opbrengs koers. Stap 3 (onthou die beste handel reël). Kies die reël met die hoogste fiksheid waarde en evalueer dit vir die seleksie tydperk om sy terugkeer koers te kry. As dit is beter as al dan nie minderwaardig teenoor die huidige beste reël, sal dit as die beste handel reël gemerk. As sy terugkeer koers laer as of minder as 0,05 hoër as die huidige tempo, behou ons die huidige reël as die beste een. Stap 4 (genereer nuwe bevolking). Die keuse van 18 individue volgens hul fiksheid waardes, kan dieselfde persoon meer as een keer gekies word. Daarom, lukraak skep 2 addisionele handel reëls. Met 'n waarskynlikheid van 0,7, uit te voer 'n rekombinasie operasie om 'n nuwe bevolking op te wek. Gevolglik sal al rekombinasie reëls die word gemuteerde met 'n waarskynlikheid van 0,05. Stap 5. Terug na stap 2 en herhaal 50 keer. Stap 6 (toets die beste handel reël). Toets die beste handel reël soos geïdentifiseer deur die bogenoemde program. Dit sal die opbrengs koers te genereer en aan te dui of genetiese algoritmes kan help handelaars aktualiseer oortollige opbrengste gedurende hierdie monster tydperk. 3. Resultate Omdat, in hierdie vraestel, het ons nie die bedrag van die bates beskou, ons aanvaar die kantlyn verhouding te wees 0.05. Trouens, as die parameter het geen noemenswaardige uitwerking op ons eksperiment uitslae, die opbrengskoers is twintig keer verhoog. Met 20 toetse in elke tydperk, is 420 onafhanklike eksperimente uitgevoer om nuttige bewegende gemiddelde handel reëls bepaal in die ru-olie termynmark. Die pryse wat ons gebruik vir die 21 periodes word in Figuur 3. Figuur 3: Voorbeeld data. Op grond van vorige studies 39. 40. 51 en op die besluit om 'n intermediêre waarde vir hierdie studie te kies, is die transaksie koste koers vasgestel op 0.1x25 vir die 420 eksperimente. Die risiko gratis koers is 2x25, wat gebaseer is in die eerste plek op die kort termyn tesourie band koers 41. Van die 420 toetse, 226 verdien winste. Met 'n gemiddelde opbrengs koers van 1,446, is dit die gevolgtrekking gekom dat genetiese algoritmes handelaars kan fasiliteer om opbrengste in die ru-olie termynmark te verkry. Maar bewegende gemiddelde handel reëls geïdentifiseer deur genetiese algoritmes nie lei tot oormatige opbrengste as daar net 8 periodes waarin gegenereer handel reëls tot gevolg gehad dat handelaars ontvang oortollige opbrengste. Gegewe dat die prys van ru-olie termynkontrakte baie keer het gedurende die monster tydperk, ons verder beweer dat genetiese algoritmes is nuttig in beleggings. Vir 'n beter begrip, deel ons die 21 periodes in 4 kategorieë volgens die resultate (sien die laaste kolom van Tabel 2). Tabel 2: Resultate van eksperiment. Kategorie 1 (periodes 2, 3 en 9). In hierdie tydperke, gegenereer handel reëls nie net help om handelaars te verkry opbrengste, maar ook hulle help om oortollige opbrengste realiseer. Gegenereer handel reëls genereer meer winste as die BH strategie in periodes 3 en 9. In tydperk 2, die BH strategie verloor geld, terwyl die gegenereerde handel reëls, soos bepaal deur die genetiese algoritmes, lei tot winste. So, die gegenereerde handel reëls is baie beter as die BH strategie in hierdie tydperk. 'N Algemene kenmerk van hierdie drie tydperke in Kategorie 1 is dat die ru-olie pryse geval het tydens die toetsperiode en ervaar beduidende fluktuasies. Kategorie 2 (periodes 5, 8, 12, 16, en 18). Gegenereer bewegende gemiddelde handel reëls nie winste gedurende die vyf tydperke te genereer. Net so is, die gegenereerde reëls beter presteer as die BH strategie, as hulle aansienlik verminder verliese. In hierdie tyd, pryse gedaal glad, ervaar 'n paar klein skommelinge in die proses. Kategorie 3 (periodes 1, 6, 7, 10, 11, 14, 15, en 17). In hierdie agt steekproefdata tydperke, genetiese algoritmes help handelaars om geskikte bewegende gemiddelde handel reëls te identifiseer. Maar die handelaars versuim het om oortollige opbrengste verkry. Terwyl pryse geleidelik verhoog in hierdie tydperke, daar is ook 'n paar geringe fluktuasies, wat veroorsaak dat die genetiese algoritmes om minderwaardig aan die BH strategie in hierdie tydperke wees. Kategorie 4 (periodes 4, 13, 19, 20, en 21). Genetiese algoritme handel reëls demonstreer swak prestasie in hierdie vyf periodes. In tydperk 21, die BH strategie lewer negatiewe opbrengste. Ons genetiese handel reëls lewer meer ernstige verliese. Die BH strategie word beskou as verhewe bo die gegenereerde reëls beurs in die ander vier tydperke as die BH strategie paar opbrengste oplewer. Hoewel daar geen beduidende veranderinge in die pryse vlak in hierdie tydperke, die pryse is in vlugtige state regdeur die vyf tydperke. Effense prysveranderings met geen oënskynlike tendense lewer die gegenereerde handel reëls hulpeloos in die voorspelling van prysveranderings en die verskaffing van opgawes. Ons gebruik genetiese algoritmes om goeie bewegende gemiddelde handel reëls soek vir handelaars in die ru-oliemark. Tabel 3. wat die gemiddelde getal en vir elke tydperk toon, dui daarop dat die waarde van 'n lang tydperk () het 'n noue verhouding met die wisselvalligheid van die pryse in die monster tydperk. 'N Groot is ingestel in tye met aansienlike skommelinge en 'n klein gekies vir tydperke waarin die prys is relatief stabiel. Tabel 3: Die gemiddelde waarde van en in elke tydperk. Die verspreiding van word in Figuur 4. Die waarde van waarskynlikheid is baie klein en nie normaalverdeling volg. Die figuur bied 'n tipiese vetstert eienskap met 'n kurtose van 2,36. In vergelyking met 'n normale verspreiding, is daar meer waardes in die sterte van die verspreiding in ons resultate. Slegs in die helfte van die 420 eksperimente, is tussen 70 dae en 130 dae. Die waardes is gedesentraliseer en ons glo dit is meer wetenskaplike om die beste lengtes van die twee periodes met behulp van 'n opleiding proses wat ons in hierdie vraestel gebruik in werklike belegging kies. Figuur 4: Die verspreiding van. Onder die ses bewegende gemiddelde berekening metodes, is AMA en TMA meer dikwels gebruik as die ander vier (sien tabel 4), meer as die helfte van die gegenereerde bewegende gemiddelde handel reëls gebruik AMA of TMA. 'N Klein aantal gegenereer handel reëls gebruik WBG en EMO, terwyl TPMA en SMA, wat maklik om te bereken is, word dikwels gebruik in sommige tydperke, soos periodes 1, 2, 3, 12, 19, en 21. Tabel 4: Berekening metodes van bewegende gemiddelde prys in elke tydperk. Die keuse van berekeningsmetode is wat verband hou met die prystendense en wisselvalligheid. Figuur 5 toon dat TPMA 31 keer gebruik word in die 60 onafhanklike eksperimente in periodes 2, 3, en 9 (Kategorie 1). Anders as die algehele verhouding, TPMA is die gewildste berekeningsmetode wanneer die prys gedurende die tydperk en ervare beduidende fluktuasies val. AMA is die gewildste metode in die ander drie kategorieë. EMO is nooit gebruik word in kategorieë 1 en 4. Dit neem 'n 24x25 proporsie in Kategorie 2, meer as TMA, SMA, TPMA, en WBG. Die afmetings van TMA en SMA het geen betekenisvolle verskille in verskillende kategorieë. In kategorie 4, pryse te verander met geen oënskynlike tendense. Niemand metode het voor die hand liggend voordeel bo die ander. Figuur 5: Verhoudings van metodes in verskillende kategorieë. Die resultate van 20 eksperimente in dieselfde tydperk aan te dui hoë konsekwentheid oor die waarde SD (Tabel 5). Wanneer pryse wissel, soos in tye 1, 2, 7, 8, 13, 19, en 20, dan nie die opening van posisies totdat een gemiddelde prys oorskry ander deur ten minste een standaardafwyking is die beste opsie. Wanneer die prys is relatief stabiel, moet 'n belegging besluit onmiddellik gedoen word, solank die twee bewegende gemiddeldes te steek. Tabel 5: Nommers van handel reëls waarin sd 1. 4. Bespreking Hierdie vraestel poog om te genereer bewegende gemiddelde handel reëls in die olie termynmark met behulp van genetiese algoritmes. Anders as ander studies, ons gebruik net bewegende gemiddeldes as tegniese aanwysers aan om in bruikbare bewegende gemiddelde handel reëls te identifiseer, sonder enige ander komplekse tegniese ontleding gereedskap of aanwysers. Bewegende gemiddelde handel reëls is maklik vir handelaars om te bedryf, en hulle is eenvoudig, ongeag die situasie. Om die beste handel reëls in die ru-olie termynmark te identifiseer, gebruik ons genetiese algoritmes om al die parameters in die bewegende gemiddelde handel reëls kies dinamies eerder as om dit te doen in 'n vaste manier. Volgens ons genetiese berekeninge met behulp van genetiese algoritmes om uit te vind die beste lengtes van die twee bewegende gemiddelde periodes bepleit omdat die gegenereerde lengtes van mekaar verskil in verskillende prystendense. Statiese bewegende gemiddelde reëls handel met 'n vaste tydperk lengtes kan nie aanpas by komplekse skommelinge van die prys in verskillende tydperke. A opleiding proses egter wat dinamiese eienskappe van prysskommelings in ag neem, kan jou help om handelaars uit te vind die optimale lengtes van die twee bewegende periodes van 'n verhandeling reël. Onder die ses bewegende gemiddelde metodes, die AMA en TMA is die gewildste onder die gegenereerde handel reëls soos hierdie twee metodes het die vermoë om aan te pas by die prystendense. Die AMA kan die gewig van die huidige prys verander na gelang van die wisselvalligheid in die laaste paar dae. Soos die TMA is die gemiddeld van die SMA, dit meer akkuraat weerspieël die prysvlak. Dit is egter die keuse van die beste bewegende gemiddelde berekeningsmetode wat geraak word deur prystendense. Handelaars kan metodes meer wetenskaplik te kies volgens die prystendense en skommelinge. Op grond van ons eksperiment uitslae, TPMA is 'n optimale keuse wanneer die prys ondervind 'n afname proses met 'n beduidende skommelinge, en genereer bewegende gemiddelde handel reëls is uitstaande in vergelyking met BH strategie in hierdie geleenthede. Hoewel EMO neem 'n baie klein deel van die totale 420 eksperimente, dit is ook 'n toepaslike metode behalwe AMA wanneer die prys glad val. Vir die tydperke waarin die prys wisselvalligheid is duidelik, sal besluite nie gemaak word voordat die verskil tussen die twee gemiddeldes oorskry die standaardafwyking van die kort monster pryse, en sodoende die transaksie risiko te verminder. Maar hierdie metode is nie geskik vir 'n tydperk waarin die prys is relatief stabiel. In sulke situasies, kan huiwering soms veroorsaak handelaars om moontlike wins misloop. As 'n geheel, gegenereer bewegende gemiddelde handel reëls kan help handelaars wins maak in die lang termyn. Tog kan genetiese algoritmes nie waarborg toegang tot bykomende inkomste in elke tydperk as hulle net nuttig in die verkryging van oortollige opbrengste in spesiale situasies. Die gegenereerde bewegende gemiddelde handel reëls demonstreer uitstaande prestasie erken wanneer die ru-olie termynkontrakte prys val met 'n beduidende fluktuasies. Die BH strategie sal verloor by hierdie geleenthede, terwyl die gegenereerde handel reël kan help handelaars voorsien 'n daling in die prys en verliese te verminder. Ons handel reëls lewer ook positiewe opbrengste gedurende die skommelinge van die tydige verandering van posisies. Wanneer die prys glad val met 'n paar veranderinge in die proses, kan gegenereer handel reëls oortollige opbrengste in vergelyking met die BH strategie. Alhoewel genetiese algoritmes kan nie help om handelaars ontvang positiewe opbrengste tydens hierdie periodes, kan die algoritmes te help handelaars verminder verlies deur die verandering van posisies met die verandering van prystendense. Wanneer die prys is stabiel of stygende glad, kan die gegenereerde reëls opbrengste te genereer. Hulle kan egter nie te genereer meer opbrengste as die BH strategie. Beperk opbrengste kan nie bekostig om die transaksiekoste. Wanneer die prys val, kan die gegenereerde reëls beter as die BH strategie wees. Genetiese algoritmes kan ook help handelaars wins maak in die proses van prysverhogings met klein skommelinge. In hierdie tyd, die BH strategie is beter as gegenereer handel reëls omdat die transaksies in die proses te genereer transaksiekoste en kan 'n paar wins misloop. Gegenereer bewegende gemiddelde handel reëls het swak prestasie as daar geen noemenswaardige tendense in die prysverandering. In hierdie tydperke, bewegende gemiddelde aanwysers kan nie vind wins geleenthede omdat die wisselvalligheid is te klein. Die tendense van prysveranderings is vertraag deur die bewegende gemiddelde metode. Daarom, wanneer 'n besluit geneem word, die prys tendens moet ook verander, en as gevolg daarvan, is daar geen twyfel dat die handelaar tekorte sal ervaar. Die gebruik van genetiese algoritmes, bewegende gemiddelde handel reëls help handelaars om opbrengste in die werklike termynmark kry. Ons het ook geïdentifiseer die beste lengtes vir die twee tydperke ten opsigte van bewegende gemiddelde reëls en beveel die bewegende gemiddelde berekeningsmetode vir die ru-olie termynmark. Tegniese reëls handel met slegs bewegende gemiddelde aanwysers wat deur genetiese algoritmes demonstreer geen voldoende voordele in vergelyking met die BH strategie want gedurende die tydperk van 30 jaar die algehele prys verhoog. Nietemin, gegenereer beweeg handel reëls is voordelig vir handelaars onder sekere omstandighede, veral wanneer daar beduidende veranderinge in pryse. In hierdie vraestel, soek ons beste handel reëls volgens die opbrengs koers van elkeen sonder inagneming van bate voorwaardes en oop rente, wat blyk te wees die grootste beperking van die studie wees. Om die akkuraatheid van die resultate te verbeter, is 'n simulasie met werklike bates aanbeveel. Gevolglik sal ons hierdie poging onderneem in 'n daaropvolgende navorsing. 5. Slotopmerkings Ons aflei dat die genetiese algoritmes te identifiseer beter tegniese reëls wat toelaat dat handelaars om winste te aktualiseer van hul beleggings. Terwyl ons het geen bewyse om te toon dat gegenereer handel reëls lei tot groter opbrengste as wel die BH strategie, ons gevolgtrekking is in ooreenstemming met die doeltreffende markhipotese. Terwyl gegenereer handel reëls handelaars in die verwesenliking van oortollige opbrengste met betrekking tot hul belegging aktiwiteite onder spesifieke omstandighede te fasiliteer, kan hulle nie, ten minste deur die gebruik van bewegende gemiddelde handel reëls, verseker meer langtermyn oortollige opbrengste as die BH strategie. Met betrekking tot die keuse van twee periodes, om uit te vind die optimale lengtes met behulp van genetiese algoritmes is nuttig vir die maak van meer wins. Van die ses bewegende gemiddelde aanwysers, AMA en TMA is die gewildste bewegende gemiddelde berekening metodes vir die ru-olie termynmark in totaal, terwyl TPMA is 'n uitstekende metode in sommige geleentheid. Wanneer die ru-olie pryse demonstreer noemenswaardige wisselvalligheid, is 'n handelaar aangeraai om te wag totdat die verskil van die twee bewegende gemiddeldes oorskry die standaardafwyking van die kort tydperk en omgekeerd. Op grond van die bogenoemde ontleding, is dit beter om BH strategie gebruik wanneer die prysstygings of is stabiel. Maar gegenereer bewegende gemiddelde handel reëls is beter as BH strategie wanneer ru-olie termynkontrakte prys daal. Met betrekking tot die bewegende gemiddelde berekeningsmetode, is dit aanbeveel om TPMA gebruik wanneer die prys daal met 'n beduidende fluktuasies en AMA wanneer die prys glad val, hoewel TPMA is nie 'n gewilde metode algehele. Ons stel veranderlike bewegende gemiddelde handel reëls wat deur opleiding prosesse eerder as statiese bewegende gemiddelde handel reëls in die ru-olie termynkontrakte markte. Konflik van belange van die skrywers verklaar dat daar geen botsing van belange met betrekking tot die publikasie van hierdie vraestel. Authorsx2019 Bydrae Model ontwerp is gedoen deur Haizhong An, Lijun Wang, en Xuan Huang, programontwikkeling en eksperimente prestasie is gedoen deur Xiaojia Liu en Lijun Wang, data-analise is gedoen deur Haizhong An, Xiaohua Xia, en Xiaoqi Sun, papier samestelling was gedaan deur Lijun Wang, Xiaohua Xia, en Xiaojia Liu en literatuur herwinning en manuskrip redigering is gedoen deur Xiaojia Liu, Xuan Huang, en Xiaoqi Son Erkennings Hierdie navorsing is gedeeltelik ondersteun deur die NSFC (China) (Grant nie. 71.173.199) en Geesteswetenskappe en die Sosiale Wetenskappe beplan fondse projek onder die Ministerie van Onderwys van die PRC (Grant nie. 10YJA630001). Die skrywers wil graag waardevolle voorstelle van Wei Fang, Xiaoliang Jia, en Qier 'n erkenning. Verwysings Z. M. Chen en G. Vraag Chen,-Aanvraaggedrewe energie vereiste van die wêreld ekonomie 2007: 'n multi-streek input-output netwerk simulasie, Kommunikasie in Nonlinear Wetenskap en numeriese simulasie. vol. 18, no. 7, pp. 17.571.774, 2013 View op Uitgewer Kyk op Google Scholar G. Wu, L.-C. Liu, en Y.-M. Wei, vergelyking van Chinax27s olie invoer risiko: resultate op grond van portefeulje teorie en 'n diversifikasie indeks benadering, Energie Beleid. vol. 37, no. 9, pp. 35.573.565, 2009. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus XH Xia, GT Huang, GQ Chen, B. Zhang, ZM Chen, en Q. Yang, Energie sekuriteit, doeltreffendheid en koolstofvrystelling van Chinese bedryf, energiebeleid. vol. 39, no. 6, pp 35203528, 2011. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus X H. Xia en G. Vraag Chen, Energie vermindering in Chinese bedryf. Koste evaluering van regulasie strategieë en toekenning alternatiewe, Energie Beleid. vol. 45, pp. 449458, 2012. Kyk op Uitgewer Kyk op Google Scholar N. Cui, Y. Lei en W. Fang, Ontwerp en impak skatting van 'n hervorming program van Chinax27s belasting en fooie beleid vir laegraadse olie en gas hulpbronne , Petroleum Wetenskap. vol. 8, no. 4, pp. 515526 2011. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus Y. L. Lei, N. Cui, en D. Y. Pan, ekonomiese en maatskaplike gevolge ontleding van minerale ontwikkeling in China en beleidsimplikasies, Hulpbronne Beleid. vol. 38, pp. 448457, 2013 View op Uitgewer Kyk op Google Scholar Z. M. Chen en G. Vraag Chen, 'n oorsig van die energieverbruik van die geglobaliseerde wêreldekonomie, Energie Beleid. vol. 39, no. 10, pp 59205928, 2011. Kyk op Uitgewer Kyk op Google Scholar Kyk by Scopus N. Nomikos en K. Andriosopoulos, Modellering energie lokopryse:. Empiriese bewyse uit Nymex, Energie Ekonomie. vol. 34, no. 40, no. 30, no. 2. Fig. 3. Tabel 2. Fig. 4. Fig. Tel.
No comments:
Post a Comment