Trading System Matlab

Sistemas de Trading Sistemas de Codificação. Trading são simplesmente conjuntos de regras que os comerciantes usam para determinar suas entradas e saídas de uma posição Desenvolver e usar sistemas de negociação pode ajudar os comerciantes a obter retornos consistentes ao limitar o risco Em uma situação ideal, os comerciantes devem se sentir como robôs, Sistematicamente e sem emoção Então, talvez você se perguntou O que é para parar um robô de negociação do meu sistema A resposta Nada Este tutorial irá apresentá-lo para as ferramentas e técnicas que você pode usar para criar seu próprio sistema automatizado de negociação. Sistemas criados Os sistemas automatizados de negociação são criados convertendo as regras do seu sistema de negociação em código que seu computador pode entender Seu computador então executa essas regras através de seu software de negociação, que procura negócios que aderem às suas regras Finalmente, os negócios são automaticamente colocados com o seu Este tutorial incidirá sobre a segunda e terceira partes deste processo, onde suas regras são Convertido em um código que o seu software de negociação pode entender e use. What Trading Software Suporta Automated Trading Systems Existem muitos programas comerciais que suportam sistemas de negociação automatizada Alguns irão gerar automaticamente e colocar comércios com o seu corretor Outros encontrarão automaticamente comércios que se encaixam seus critérios, Mas exigem que você coloque as ordens com seu corretor manualmente Além disso, os programas de negociação totalmente automáticos muitas vezes exigem que você use corretoras específicas que suportam tais características que você também pode ter que preencher um formulário de autorização adicional. Vantagens e Desvantagens Sistemas de negociação automatizada têm vários benefícios, Eles também têm suas desvantagens Afinal, se alguém tivesse um sistema de negociação que automaticamente ganhou dinheiro o tempo todo, ele ou ela literalmente possuir um dinheiro fazendo máquina. Um sistema automatizado leva a emoção e ocupado-trabalho de negociação, que permite que você Para se concentrar em melhorar a sua estratégia e as regras de gestão de dinheiro. Uma vez que um sistema rentável i Se o sistema não é devidamente codificado e testado, grandes perdas podem ocorrer muito rapidamente. Às vezes é impossível colocar certas regras em código, o que Torna difícil desenvolver um sistema automatizado de negociação. Neste tutorial, você aprenderá como planejar e projetar um sistema de negociação automatizado, como traduzir esse projeto em código que seu computador entenderá, como testar seu plano para garantir um ótimo desempenho e, Finalmente, como colocar o seu sistema para use. Find para fora se tomar o caminho menos viajado irá trabalhar em seu favor - ou contra it. A sistema de negociação pode economizar tempo e tirar a emoção de negociação, mas adotando um leva a habilidade e recursos - Saiba mais here. Most corretores irá fornecer-lhe com o comércio de registros, mas também é importante para manter o controle em seu own. These etapas irá torná-lo um mais disciplinado, mais inteligente e, em última análise, mais rico trader. Frequently Asked Questions. When você mak O pagamento de uma hipoteca, o montante pago é uma combinação de uma taxa de juros e reembolso do capital. Sobre o. Learn para diferenciar entre bens de capital e bens de consumo e ver por que os bens de capital exigem poupança e investment. A derivative é um contrato entre duas ou mais partes Cujo valor é baseado em um ativo financeiro subjacente acordado. O termo fosso económico, cunhado e popularizado por Warren Buffett, refere-se a uma capacidade de negócios para manter vantagens competitivas. Perguntas freqüentes. Quando você faz um pagamento de hipoteca, o montante pago é Uma combinação de uma taxa de juros e reembolso de capital Sobre o. Learn para diferenciar entre bens de capital e bens de consumo e ver por que os bens de capital exigem poupança e investment. A derivative é um contrato entre duas ou mais partes cujo valor é baseado em um acordo - Sobre o ativo financeiro subjacente. O termo fosso econômico, cunhado e popularizado por Warren Buffett, refere-se a uma capacidade de negócios para manter vantagem competitiva Aprender a criar um sistema de negociação automatizado que pode lidar com múltiplas contas de negociação, múltiplas classes de ativos e comércio em vários locais de negociação Simultaneamente. Neste webinar nós apresentaremos um sistema de negociação automatizado. Exemplo de fluxo de trabalho para pesquisar, implementar, testar e implantar uma estratégia de negociação automatizada, proporcionando máxima flexibilidade no que e com quem você troca. Você aprenderá como os produtos MATLAB podem ser usados ​​para coleta de dados, análise e visualização de dados, desenvolvimento de modelos e calibração, backtesting, walk Testes avançados, integração com sistemas existentes e, finalmente, implantação para o comércio em tempo real Olhamos para cada uma das partes neste processo e ver como MATLAB fornece uma única plataforma que permite a solução eficiente de todas as partes deste problema. Incluindo histórico diário, intraday, e em tempo real data. Model construção e prototipagem em MATLAB. Backtesting e calibração de um modelo. Walk forward testes e validation. Interacting modelo com as bibliotecas existentes e software para o comércio execution. Deployment da aplicação final em uma série de ambientes, incluindo JAVA, e Excel. Tools para negociação de alta freqüência, incluindo paralelo Computação, GPUs e geração de código C a partir de MATLAB. Product Focus. Select Your Country. Proceedings da Conferência Internacional sobre Métodos Computacionais em Ciências e Engenharia 2004.Improving sistemas de negociação técnica usando um novo algoritmo genético baseado em MATLAB procedure. Stephanos Papadamou a. George Stephanides ba Departamento de Economia, Universidade da Tessália, Argonauton e Filelinon, Volos, Grécia. b Departamento de Informática Aplicada, Universidade de Macedônia Ciências Econômicas e Sociais, Egnatias 156, Salónica 54006, Grécia. Recebido em 18 de maio de 2006 Aceito em 15 de dezembro de 2006 Estudos recentes sobre os mercados financeiros sugerem que a análise técnica pode ser um Ferramenta muito útil na previsão da tendência Os sistemas de negociação são amplamente utilizados para avaliação de mercado, no entanto, a otimização de parâmetros desses sistemas tem atraído pouco interesse Neste artigo, para explorar o potencial do comércio digital, apresentamos uma nova ferramenta MATLAB baseada em algoritmos genéticos a Ferramenta especializada na otimização de parâmetros de regras técnicas Usa o poder de algoritmos genéticos para gerar soluções rápidas e eficientes em termos comerciais reais Nossa ferramenta foi testada extensivamente sobre dados históricos de um fundo UBS investindo em mercados emergentes através do nosso sistema técnico específico Os resultados mostram que Nosso GATradeTool proposto supera as ferramentas de software comumente usadas, não-adaptativas, com respeito à estabilidade do retorno e economia de tempo ao longo de todo o período de amostra. No entanto, nós fornecemos evidências de um possível tamanho da população efeito na qualidade das soluções. Regras técnicas.1 Introdução. Os traders de hoje e os analistas de investimento exigem E ferramentas eficientes em um mercado financeiro implacável As batalhas na negociação são agora principalmente travada em velocidade de computador O desenvolvimento de novas tecnologias de software ea aparência de novos ambientes de software, por exemplo, MATLAB fornecer a base para resolver problemas financeiros difíceis em tempo real MATLAB s built - Matemática e financeira, o fato de que é uma linguagem de programação interpretada e compilada e sua independência de plataforma torná-lo bem adaptado para o desenvolvimento de aplicações financeiras. A evidência sobre os retornos obtidos por regras técnicas, incluindo estratégias de impulso, por exemplo, 14 15 16 16 25 e 20 , A média móvel regras e outros sistemas de comércio 6 2 9 e 24 pode apoiar a importância da análise técnica. No entanto, a maioria destes estudos têm ignorado a questão da otimização de parâmetros, deixando-os abertos a críticas de dados snooping ea possibilidade de viés de sobrevivência 7 17 e 8 Tradicionalmente, os pesquisadores usaram especificação ad hoc de regras de negociação. Falha configuração popular ou aleatoriamente experimentar alguns parâmetros diferentes e selecionar o melhor com base em critérios de retorno principalmente. Papadamou e Stephanides 23 implementou uma nova caixa de ferramentas baseada em MATLAB para computador técnico auxiliado negociação que incluiu um procedimento para otimização de parâmetros problemas No entanto, o Ponto fraco de seu procedimento de otimização é o tempo a função objetivo, por exemplo, lucro isn ta função de erro quadrado simples, mas um complicado cada iteração de otimização passa pelos dados, gera sinais de negociação, calcula lucros, etc Quando os conjuntos de dados são grandes e você gostaria de Reoptimize seu sistema frequentemente e você necessita uma solução o mais cedo possível, a seguir tentar para fora todas as soluções possíveis para começar o mais melhor seria uma tarefa muito tedious. Algoritmos GAs genéticos são servidos mais agradáveis ​​desde que executam buscas aleatórias em uma maneira estruturada e convergem muito Rápido em populações de soluções quase óptimas O GA vai lhe dar uma população definida de boas soluções Analy Sts estão interessados ​​em obter algumas boas soluções o mais rápido possível, em vez de a melhor solução global A melhor solução global existe, mas é altamente improvável que ele continuará a ser o melhor. O objetivo deste estudo é mostrar como Algoritmos genéticos, uma classe de algoritmos em computação evolutiva, podem ser empregados para melhorar o desempenho ea eficiência dos sistemas de negociação informatizados Não é o propósito aqui fornecer justificação teórica ou empírica para a análise técnica Demonstramos nossa abordagem em uma determinada tarefa de previsão Com base em mercados emergentes. Este artigo é organizado da seguinte forma: O trabalho anterior é apresentado na Seção 2 O conjunto de dados e nossa metodologia são descritos na Seção 3 Os resultados empíricos são discutidos na Seção 4 Conclusões seguidas Seção 5.2 Trabalhos anteriores. Do trabalho de GA na área de ciência da computação e engenharia, mas pouco trabalho tem sido feito em relação a áreas relacionadas com negócios. Aqui tem sido um interesse crescente no uso de GA em economia financeira, mas até agora tem havido pouca investigação sobre trading. To nosso conhecimento o primeiro artigo publicado ligando algoritmos genéticos para investimentos foi de Bauer e Liepins 4 Bauer 5 em seu livro Genetic Algorithms E Estratégias de investimento oferecidas orientações práticas sobre como GAs pode ser usado para desenvolver estratégias de negociação atraente com base em informações fundamentais Essas técnicas podem ser facilmente estendidos para incluir outros tipos de informação, tais como dados técnicos e macroeconômicos, bem como os preços passados. De acordo com Allen e Karjalainen Um algoritmo genético é um método apropriado para descobrir regras técnicas de negociação Fernndez-Rodrguez et al 11 por adotar a otimização de algoritmos genéticos em uma regra de negociação simples fornecer evidência para o uso bem-sucedido de GAs da Bolsa de Valores de Madrid Alguns outros estudos interessados ​​são os de Mahfoud e Mani 18 que apresentou um novo sistema baseado em algoritmos genéticos e ap A tarefa de prever os desempenhos futuros de ações individuais por Neely e cols. 21 e por Oussaidene et al 22 que aplicaram programação genética à previsão de câmbio e relataram algum sucesso. Uma das complicações na otimização de GA é que o usuário deve definir Um conjunto de parâmetros tais como a taxa de cruzamento, tamanho da população e taxa de mutação De acordo com De Jong 10 que estudou algoritmos genéticos na otimização de função boa GA desempenho requer alta probabilidade de crossover inversamente proporcional ao tamanho da população e um tamanho populacional moderado Goldberg 12 e Markellos 19 sugerir Que um conjunto de parâmetros que funciona bem em muitos problemas é um parâmetro de cruzamento 0 6, o tamanho da população 30 eo parâmetro de mutação 0 0333 Bauer 4 realizou uma série de simulações sobre problemas de otimização financeira e confirmou a validade das sugestões de Goldberg No presente estudo nós Irá realizar um estudo de simulação limitado testando várias configurações de parâmetros para O sistema de negociação escolhido Vamos também fornecer provas para o GA proposto, comparando nossa ferramenta com outras ferramentas de software.3 Metodologia. Nossa metodologia é conduzida em várias etapas Primeiro, temos de implementar o nosso sistema de comércio com base em análise técnica No desenvolvimento de um sistema de comércio , Você precisa determinar quando entrar e quando sair do mercado Se o comerciante está no mercado a variável binária é igual a um caso contrário é zero Como comerciantes de posição que baseiam a maioria das nossas decisões de entrada e saída em gráficos diários, construindo um Indicador de tendência seguinte Dimbeta Este indicador calcula o desvio dos preços atuais de sua média móvel de comprimento Os indicadores usados ​​em nosso sistema negociando podem ser formalized como below. where é o preço de fechamento do fundo no tempo e na função MovAv calcula a média movente simples A variável Fechar com tempo de duração. O nosso sistema de negociação consiste em dois indicadores, o indicador Dimbeta ea Média Móvel de Dimbeta dada pelo Seguinte equação. Se cruzar para cima, em seguida, entrar muito tempo no mercado, ou seja, comprar sinal Se cruz para baixo, em seguida, fechar a posição longa no mercado ou seja, vender signal. Second, temos de otimizar a nossa estratégia de negociação É bem conhecido que a maximização de funções objetivo, Lucro ou riqueza pode otimizar sistemas de negociação A função objetivo mais natural para um comerciante insensível ao risco é o lucro Em nossa ferramenta de software consideramos lucros multiplicativos Lucros multiplicativos são apropriados quando uma fração fixa da riqueza acumulada é investido em cada comércio longo Em nosso software sem curto As vendas são permitidas e o fator de alavancagem é fixado em, a riqueza no momento é dada pela seguinte fórmula. Onde é o retorno realizado para o período terminando no tempo, são os custos de transação e é a variável dummy binária indicando uma posição longa ou Não ie 1 ou 0 O lucro é dado subtraindo da riqueza final a riqueza inicial. Otimização de um sistema envolve a realização de múltiplos testes w O número de testes pode crescer rapidamente enorme Metastock tem um máximo de 32 000 testes No FinTradeTool 23 não há limite, no entanto, sobre o tempo de processamento, dependendo do sistema de computador utilizado Neste caso, Papel que investigamos a possibilidade de resolver o problema de otimização usando algoritmos genéticos. Algoritmos genéticos GAs que foram desenvolvidos por Holland 13 constituem uma classe de busca, adaptação e técnicas de otimização com base nos princípios da evolução natural. Algoritmos genéticos se prestam bem a problemas de otimização Uma vez que eles são conhecidos por exibir robustez e podem oferecer vantagens significativas na metodologia de solução e desempenho de otimização GAs diferem de outros otimização e procedimentos de busca em alguns aspectos Primeiro, eles trabalham com uma codificação do conjunto de parâmetros, não os próprios parâmetros GAs podem facilmente lidar As variáveis ​​binárias Segundo, busca GAs de uma população de pontos, não como Por fim, os GAs usam apenas informações de função objetivo, não derivadas ou outros conhecimentos auxiliares. Portanto, os GAs podem lidar com as funções não contínuas e não diferenciáveis ​​que realmente existem em um problema de otimização prática .4 GATradeTool. Pro proposto GATradeTool um algoritmo genético opera em uma população de soluções candidato codificado, cada variável de decisão no conjunto de parâmetros é codificado como uma seqüência binária e todos são concatenados para formar um cromossomo cromossomo representação é um vetor de dois elementos contendo, Parâmetros na codificação genética bunary A precisão da representação binária é de oito bits por parâmetro ie 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1 Começa com uma população construída aleatoriamente de suposições iniciais Estes candidatos solução são avaliados em termos de Nossa função objetivo Eq 4 A fim de obter optimalidade cada cromossomo troca informações usando operadores ie arithmet Ic crossover 1 emprestado da genética natural para produzir uma solução melhor. A função objetivo Eq 4 é usada para medir como os indivíduos têm realizado no domínio do problema Em nosso caso, os indivíduos mais ajustados terão o maior valor numérico da função objetivo associada The A função da aptidão transforma os valores da função do objetivo cru em figuras não-negativas do mérito para cada indivíduo A ferramenta suporta o método de deslocamento e de escala de Goldberg 12 eo algoritmo linear-ranking de Baker 3. Nossa técnica da seleção emprega um mecanismo da roda de roleta probabilistically para selecionar Indivíduos com base no seu desempenho Um valor real intervalo Soma é determinada como a soma dos valores da aptidão da linha sobre todos os indivíduos na população atual Os indivíduos são então mapeados um para um em intervalos contíguos na faixa 0, Soma O tamanho de cada indivíduo Intervalo corresponde ao valor de aptidão do indivíduo associado Para selecionar um indivíduo um número aleatório R é gerado no intervalo 0, Soma e o indivíduo cujo segmento abrange o número aleatório é selecionado Este processo é repetido até que o número desejado de indivíduos tenha sido selecionado 26 Estes candidatos foram autorizados a participar de um crossover aritmético, o procedimento que recombina prometedor Candidatos a fim de criar a próxima geração Estes passos foram repetidos até que um critério bem definido é satisfeito Uma vez que o GA é um método de pesquisa estocástica, é difícil especificar formalmente os critérios de convergência Como a aptidão da população pode permanecer estática para um número de gerações Antes de um indivíduo superior ser encontrado, a aplicação de critérios convencionais de terminação torna-se problemática. Como resultado, propusemos a obtenção de um número específico de iterações como critério de terminação. Nosso algoritmo genético pode ser apresentado no quadro a seguir.5 Resultados empíricos. , Aplicamos a nossa metodologia num fundo de investimento UBS que investe em mercados emergentes 2 Os dados analisados ​​consistem em 2800 observações sobre os preços diários de fechamento desse fundo para o período 1 5 98 25 6 04 O período de otimização é definido entre 1 5 98 a 25 6 03 O sistema otimizado foi avaliado pelo período prolongado 25 6 03 25 6 04.O problema de otimização é definido para determinar os comprimentos ótimos do indicador Dimbeta e sua média móvel para o modelo simples de Dimbeta que maximizará os lucros. Em primeiro lugar, será estudado o efeito de diferentes configurações de parâmetros de GA Mais especificamente, Efeito do tamanho da população e do parâmetro crossover no desempenho do algoritmo genético com base no procedimento de otimização Baseado em Goldberg s 12 e Bauer s 4 recomendações, o tamanho da população deve ser igual a 30 ea taxa de crossover deve ser 0 6 valores padrão O número De iterações foi ajustado para 300 para todas as simulações. Segundo, comparamos as soluções de problema de otimização conduzidas por diferentes ferramentas de software para Medir a validade do GATradeTool proposto. Tabela 1 fornece os resultados de otimização GA para diferentes tamanhos de populações A primeira linha da tabela mostra os melhores parâmetros para o indicador Dimbeta ea média móvel de Dimbeta A fim de medir o efeito do tamanho da população em A solução com o retorno máximo e mínimo, o retorno médio, o desvio padrão dessas soluções, o tempo necessário para a convergência do algoritmo e um índice de eficiência calculado dividindo a solução de retorno máximo por O desvio padrão das soluções. Tabela 1 efeito tamanho da população. Pode olhar na Tabela 1 podemos dizer que, enquanto você aumentar o tamanho da população a melhor e as soluções médias são maiores No entanto, após um tamanho populacional de 30 o desempenho diminuiu Em ordem Para levar em consideração os custos computacionais envolvidos desde o aumento do tamanho da população, calculamos o tempo necessário para Problema Baixo tamanho populacional leva a baixo desempenho e baixo tempo de conclusão De acordo com o índice de eficiência, a melhor solução é a dada pelo tamanho populacional 20. Para estabelecer um desempenho base do algoritmo, foram realizados 30 ensaios do GA, com um Diferente para cada estudo A Fig. 1a mostra como o desempenho melhorou ao longo do tempo, traçando a aptidão máxima média como percentagem do valor óptimo em relação ao número de geração. Primeiro, captamos o valor máximo de aptidão física para cada um dos 30 ensaios, isto é feito para cada geração e Cada julgamento Em seguida, calculamos a média dos valores de aptidão máxima e dividimos esse número pelo valor ótimo de aptidão, que foi obtido pela ferramenta de pesquisa enumerativa FinTrade, 23 o que nos deu a aptidão máxima média como uma porcentagem do valor ótimo por geração. Fig 1a Parâmetro base Percentagem de optimal. As pode ser visto na Fig 1a a aptidão máxima média da primeira geração é de cerca de 74 do v ideal No entanto, pela 50 ª geração, o algoritmo geralmente encontrou pelo menos uma solução que estava dentro de 90 do valor ideal. Após a quinquagésima geração, a solução poderia atingir 98 do valor ótimo. Com medidas de desempenho de nossas configurações de base como uma referência Para cada ajuste de parâmetro diferente, realizamos 30 ensaios do algoritmo e comparamos os gráficos de aptidão máxima média com os obtidos para o Base. Primeiramente, tentamos taxas de cruzamento 0 4 e 0 8 Os resultados são mostrados na Fig. 1b e na Fig. 1c que são semelhantes à Fig. 1a Como resultado, os parâmetros de cruzamento não afetam a solução ótima para um grau crítico No entanto, os resultados são Diferentes quando alteramos o tamanho da população De acordo com a Fig. 1d ea Fig. 1e com um tamanho de população pequeno tivemos resultados mais pobres do que com uma população grande Quando selecionamos 80 como p Tamanho de opulação alcançamos retornos elevados em gerações adiantadas. Fig 1b Crossover 0 40 por cento de optimal. Fig 1c Crossover 0 80 por cento de optimal. Fig 1d População 80 por cento de optimal. Fig 1e População 20 por cento de optimal. By que olha a tabela 2 você Pode comparar os resultados da otimização do nosso sistema de negociação usando três diferentes ferramentas de software A primeira linha dá o resultado para o GATradeTool contra o Metastock eo FinTradeTool 23 Nossa ferramenta de software proposto GATradeToo l pode resolver o problema de otimização muito rápido, sem quaisquer restrições específicas sobre O número total de testes O número máximo de testes que podem ser realizados no software Metastock é de 32 000 O FinTradeTool precisa de muito mais tempo para encontrar a solução ideal A solução fornecida pelo GATradeTool está perto da solução ótima do FinTradeTool. Table 2 Comparação de três diferentes ferramentas de software. Optimized parâmetros Dimbeta MovAv DimBeta. The sistemas de negociação com os parâmetros ideais que Foram encontrados no período 1 5 98 25 6 03 foram testados no período de avaliação 25 6 03 25 6 04 O desempenho do nosso sistema de comércio foi aumentado em todas as ferramentas de software No entanto, o custo do tempo tem de ser considerado muito seriamente coluna 4.Fig 2 descreve a evolução do retorno máximo, mínimo e médio através das 300 gerações para o sistema de comércio Dimbeta tamanho da população 80, taxa de cruzamento 0 6 Pode-se observar que o retorno máximo tem uma tendência positiva Parece ser relativamente estável após 150 gerações e movimentos na faixa entre 1 2 e 1 ou seja 120 100 retorno Para a aptidão mínima nenhum padrão parece existir Para o retorno populacional médio pode-se encontrar uma clara tendência ascendente nas primeiras 180 gerações, isto é uma indicação de que a média global Aptidão da população melhora ao longo do tempo No que se refere à volatilidade das soluções, o desvio padrão das soluções após um aumento nas primeiras gerações estabiliza-se numa gama entre 0 3 e 0 6 proporcionando evid De um conjunto estável e eficiente de soluções. Fig 2 Evolução de várias estatísticas sobre 300 gerações. Fig 3 fornece um gráfico tridimensional das soluções óptimas dadas pelo GATradeTool Em eixos e temos os parâmetros, para o indicador dimbeta e sua movimentação A média do Eixo 2 mostra o retorno do sistema de negociação Dimbeta para os parâmetros óptimos seleccionados Como pode ser facilmente entendido a nossa ferramenta fornece uma área de soluções óptimas em contraste com o FinTradeTool que fornece apenas a melhor solução. Fig 3 A 3-D plot of the Embora a análise técnica seja amplamente utilizada como uma abordagem de investimento entre profissionais ou acadêmicos, eles raramente são focados na questão da otimização de parâmetros. Não é nosso papel defender a análise técnica aqui, embora nossos resultados mostrem que há algum Previsibilidade no fundo de investimento UBS investir em mercados emergentes com base apenas em dados históricos O nosso principal objectivo neste trabalho é ilustrar que o novo A tecnologia de MATLAB pode ser usada para implementar uma ferramenta de algoritmo genético que pode melhorar a otimização dos sistemas de negociação técnica. Nossos resultados experimentais mostram que GATradeTool pode melhorar a negociação digital, fornecendo rapidamente um conjunto de soluções quase ideal No que diz respeito ao efeito de diferentes configurações de parâmetro GA , Verificou-se que um aumento no tamanho da população pode melhorar o desempenho do sistema O parâmetro da taxa de crossover não afeta gravemente a qualidade da solução. Ao comparar as soluções do problema de otimização conduzidas por diferentes ferramentas de software, descobrimos que o GATradeTool pode Melhor desempenho, fornecendo muito rápido um conjunto de soluções ideais que apresentam uma consistência ao longo do período de avaliação. Finalmente, seria interessante para novas pesquisas para testar uma série de diferentes sistemas, a fim de ver a correlação entre um algoritmo genético e desempenho do sistema Numa época de mudanças frequentes nos mercados financeiros, os Os aders podem testar facilmente seus sistemas específicos em GATradeTool mudando somente a função que produz os sinais negociando. Este papel da pesquisa era parte da pesquisa postdoctoral do Dr. S Papadamou que foi financiado pela fundação grega IKY dos scholarships do estado. Allen R Karjalainen. Algoritmos genéticos para encontrar regras de negociação técnicas. Journal of Financial Económico Volume 51 1999 pp 245 271.HL Allen MP Taylor. O uso da análise técnica no mercado de câmbio. Journal of International Dinheiro e Finanças Volume 11 1992 pp 303 314.JE Baker , Métodos de seleção adaptativa para algoritmos genéticos, em Proceedings da primeira Conferência Internacional sobre Algoritmos Genéticos, 1985, pp 101 111.RJ Bauer GE Liepins. Algoritmos genéticos e estratégias de negociação computadorizadas. Sistemas de Estudo em Finanças DEO Leary PR Watkins 1992 Elsevier Science Publishers, Amsterdã, Países Baixos. Algoritmos Genéticos e Estratégias de Investimento.1994 John Wiley Sons, Inc, Nova Iorque. W Brock J Lakonishok B LeB Aron. Simple regras técnicas de negociação e as propriedades estocásticas de stock returnss. Journal of Finance Volume 47 1992 pp 1731 1764.S Brown W Goetzmann R Ibbotson S Ross. Sevoluções de sobrevivência em estudos de desempenho. Revista de Estudos Financeiros Volume 5 1992 pp 553 580. S Brown W Goetzmann S Ross. Jornal de Finanças Volume 50 1995 pp 853 873.YW Cheung CYP Wong. O desempenho das regras de negociação em quatro taxas de câmbio de moeda asian. Multinational Finance Journal Volume 1 1997 pp 1 22.K De Jong, Uma análise Do comportamento de uma classe de sistemas adaptativos genéticos, Ph D Diss Universidade de Michigan, Universidade Microfilmes No 76-9381, 1975.F Fernndez-Rodrguez, C González-Martel, S Sosvilla-Rivero, Otimização de Regras Técnicas por Algoritmos Genéticos Evidência Do Mercado de Valores de Madrid, Working Papers 2001-14, FEDEA, 2001.DE Goldberg. Algoritmos Genéticos em Pesquisa, Otimização e Aprendizagem Automática.1989 Addison-Wesley. Adaptação em Sistema Natural e Artificial.1975 University of Michigan Press. N Jegad Eesh S Titman. Returns para comprar vencedores e vendendo perdedores Implicações para a eficiência do mercado de ações. Journal of Finance Volume 48 Número 1 1993 pp 65 91. Os Novos Sistemas e Métodos de Negociação de Commodities.1987 John Wiley Sons. Fad, martingales e eficiência de mercado. Quarterly Journal of Economics volume 105 1990 pp 1 28.AW Lo AC MacKinlay. Quando são lucros contrários devido à reação exagerada do mercado de ações. Revisão de Estudos Financeiros Volume 3 1990 pp 175 206.S Mahfoud G Mani. Financial previsão usando algoritmos genéticos. Jornal of Inteligência Artificial Aplicada Volume 10 Número 6 1996 pp 543 565.RN Markellos. Backtesting trading systems. Journal of Computational Intelligence em Finanças Volume 5 Edição 6 1997 pp 5 10.L Menkhoff M Schlumberger. Persistente rentabilidade da análise técnica em mercados de câmbio. BNL A análise técnica no mercado de câmbio é rentável Uma abordagem de programação genética, em C Dunis, B Ru Advogados para Taxas de Câmbio, Taxas de Juros e Gestão de Ativos, Londres, 1997. M Oussaidene B Chopard O Pictet M Tomassini. Aspectos Práticos e experiências Programação genética paralela e sua aplicação à indução de modelos de negociação. Paralela Computação Volume 23 Edição 8 1997 pp 1183 1198.S Papadamou G Stephanides. A nova caixa de ferramentas matlab-based para o comércio técnico dinâmico assistido por computador. Financial Engineering News Issue 31 2003.S Papadamou S Tsopoglou. Investigating a rentabilidade dos sistemas de análise técnica em estrangeiros Mercados de câmbio. Managerial Finance Volume 27 Número 8 2001 pp 63 78.FM Werner D Bondt R Thaler. Further evidência sobre overreaction investidor e sazonalidade do mercado de ações. Journal of Finance Volume 42 Número 3 1987 pp 557 581.D Whitley, The Genitor algoritmo e Pressão de seleção Por que alocações baseadas em rank de testes reprodutivos são melhores, em Proceedings da Terceira Conferência Internacional sobre Algoritmos Genéticos , 1989, pág. 116 121.Cossover aritmético de ponto único, envolve cortar aleatoriamente duas cordas na mesma posição de corda determinada aleatoriamente e depois trocar as porções de cauda. Crossover estende a busca de novas soluções em direções de longo alcance. A estrutura deste fundo e Sua posição principal a 25 6 2004 são retratados na figura seguinte. Copyright 2007 Elsevier Ltd Todos os direitos reservados.