Handels System Mit Matlab

Ich versuche, ein Programm, das die Summe der Pips (Preis gewonnen) mit einer Strategie zu finden. Grundsätzlich ist die Strategie, wann immer der Aktienkurs 5 ist und wir beginnen Handel und wir werden weiter handeln, solange der Aktienkurs höher als 2 und niedriger als 9. Bedeutung im Bereich (2,9) ist. Wenn der Preis 2 oder 9 schlägt, stoppen wir den Handel. Wenn ich das Programm ausführen, es nicht richtig ausgeführt, es nicht die zweite while-Schleife eingeben. Was fehlt insgesamt. Die Gesamtzahl der Pips gewonnen mit einer Strategie diff: die Differenz der Aktienkurs btw 2 aufeinander folgenden Daten Blatt1: eine Datenmatrix aus Excel geladen, wobei die erste Spalte Datum und zweite ist Aktienkurs gefragt Okt 24 10 am 21:04 Heres mein Versuch, dieses Problem (die Art, wie ich es verstanden): Grundsätzlich Schleife über den Vektor der Preise. Wenn pricegt5 wir Handel beginnen, bis der Preis nicht im Bereich 2,9 liegt. An diesem Punkt berechnen wir die Summe der Unterschiede von, als wir an diesen Ort begannen (ist das, was Sie versuchen zu tun) und fügen Sie es zu einer Gesamtsumme hinzu. Leider nutzt es eine for-Schleife, vielleicht kann jemand es durch die Vektorisierung verbessern. Improving technischer Handelssysteme mit einem neuen MATLAB-basierten genetischen Algorithmus-Verfahren Aktuelle Studien an den Finanzmärkten deuten darauf hin, dass die technische Analyse kann ein sehr nützliches Werkzeug bei der Vorhersage des Trends sein. Trading-Systeme sind weit verbreitet für die Marktbewertung aber die Parameter-Optimierung dieser Systeme hat wenig Interesse angezogen. In diesem Papier, um die potenzielle Macht des digitalen Handels zu erforschen, präsentieren wir ein neues MATLAB-Tool basierend auf genetischen Algorithmen das Werkzeug ist spezialisiert auf Parameter-Optimierung der technischen Regeln. Es nutzt die Macht der genetischen Algorithmen, um schnelle und effiziente Lösungen in echten Handelsbedingungen zu generieren. Unser Tool wurde ausführlich auf historische Daten eines UBS Fonds untersucht, der in Schwellenmärkte durch unser spezifisches technisches System getestet wurde. Die Ergebnisse zeigen, dass unser vorgeschlagenes GATradeTool die üblichen, nicht adaptiven Software-Tools hinsichtlich der Stabilität der Rückkehr und der Zeitersparnis über die gesamte Probenperiode übertrifft. Allerdings haben wir Beweise für eine mögliche Populationsgröße Wirkung in der Qualität der Lösungen. Finanzmärkte Vorhersage Genetische Algorithmen Investition Technische Regeln 1. Einleitung Todayrsquos Händler und Investmentanalysten benötigen schnelle und effiziente Werkzeuge in einem rücksichtslosen Finanzmarkt. Schlachten im Handel werden heute hauptsächlich mit Computergeschwindigkeit geführt. Die Entwicklung neuer Softwaretechnologien und das Auftreten neuer Softwareumgebungen (z. B. MATLAB) bilden die Grundlage für die Lösung schwieriger finanzieller Probleme in Echtzeit. MATLABrsquos umfangreiche integrierte mathematische und finanzielle Funktionalität, die Tatsache, dass es sowohl eine interpretierte und kompilierte Programmiersprache und seine Plattform Unabhängigkeit ist es gut geeignet für die Entwicklung finanzieller Anwendungen. Beweis für die Erträge, die durch technische Regeln, einschließlich Impulsstrategien (z. B. 14. 15. 16. 16. 25 xA0andxA020), gleitende Durchschnittsregeln und andere Handelssysteme 6. 2. 9 xA0andxA024, die Bedeutung der technischen Analyse unterstützen können. Allerdings haben die meisten dieser Studien das Problem der Parameter-Optimierung ignoriert, so dass sie offen für Kritik an Daten snooping und die Möglichkeit der Überlebens-Bias 7. 17 xA0andxA08. Traditionell verwendeten Forscher Ad-hoc-Spezifikation der Handelsregeln. Sie verwenden eine Standard-beliebte Konfiguration oder nach dem Zufallsprinzip ausprobieren ein paar verschiedene Parameter und wählen Sie die besten mit Kriterien auf der Grundlage der Rückkehr vor allem. Papadamou und Stephanides 23. implementierten eine neue MATLAB-basierte Toolbox für den computerunterstützten technischen Handel, die ein Verfahren für Parameteroptimierungsprobleme beinhaltet. Der Schwachpunkt ihrer Optimierungsprozedur ist jedoch die Zeit: Die Zielfunktion (z. B. Profit) isnrsquot eine einfache quadratische Fehlerfunktion, aber eine komplizierte (jede Optimierungsiteration durchläuft die Daten, erzeugt Handelssignale, berechnet Profite usw.). Wenn die Datensätze groß sind und Sie möchten Ihr System oft wieder zu optimieren und benötigen Sie eine Lösung so schnell wie möglich, dann versuchen alle möglichen Lösungen, um die beste wäre eine sehr mühsame Aufgabe sein. Genetische Algorithmen (GAs) sind besser geeignet, da sie stichprobenweise Zufallsrecherchen durchführen und sehr schnell auf Populationen nahezu optimaler Lösungen konvergieren. Die GA wird Ihnen einen Satz (Bevölkerung) von ldquogoodrdquo Lösungen. Analysten sind daran interessiert, ein paar gute Lösungen so schnell wie möglich anstatt die weltweit beste Lösung. Die weltweit beste Lösung existiert, aber es ist höchst unwahrscheinlich, dass sie weiterhin die beste sein wird. Das Ziel dieser Studie ist, zu zeigen, wie genetische Algorithmen, eine Klasse von Algorithmen in der evolutionären Berechnung, eingesetzt werden können, um die Leistungsfähigkeit und die Effizienz von EDV-gestützten Handelssystemen zu verbessern. Es ist nicht der Zweck, theoretische oder empirische Begründung für die technische Analyse zu liefern. Wir zeigen unseren Ansatz in einer bestimmten Prognose auf der Basis von Schwellenmärkten. Dieses Papier ist wie folgt organisiert. Die bisherigen Arbeiten sind in Abschnitt 2 dargestellt. Der Datensatz und unsere Methodik sind in Abschnitt 3 beschrieben. Die empirischen Ergebnisse werden in Abschnitt 4 diskutiert. Die Schlussfolgerungen folgen Abschnitt 5. 2. Frühere Arbeiten Im Bereich der Informatik und der Ingenieurwissenschaften gibt es eine große Zahl von GA-Arbeiten, aber es wurden nur wenige Arbeiten in Bezug auf geschäftsbezogene Bereiche durchgeführt. In letzter Zeit gab es ein wachsendes Interesse an GA-Nutzung in der Finanzwirtschaft, aber bisher gab es wenig Forschung über automatisierte Handel. Unser erstes publiziertes Papier, das genetische Algorithmen mit Investitionen verknüpft, stammt von Bauer und Liepins 4. In seinem Buch ldquoGenetic Algorithms and Investment strategiesrdquo bot Bauer 5 praktische Hinweise dazu, wie GAs genutzt werden könnten, um auf Basis fundamentaler Informationen attraktive Handelsstrategien zu entwickeln. Diese Techniken können leicht auf andere Arten von Informationen wie technische und makroökonomische Daten sowie vergangene Preise erweitert werden. Nach Allen und Karjalainen 1. genetischen Algorithmus ist eine geeignete Methode, um technische Handelsregeln zu entdecken. Fernaacutendez-Rodriacuteguez et al. 11 durch den Einsatz genetischer Algorithmen Optimierung in einer einfachen Handelsregel Beweise für die erfolgreiche Nutzung von GAs von der Madrider Börse. Einige andere interessierte Studien sind die von Mahfoud und Mani 18, die ein neues genetisch-algorithmus-basiertes System präsentierten und es auf die Aufgabe der Vorhersage der zukünftigen Leistungen einzelner Bestände von Neely et al. 21 und von Oussaidene et al. 22, die genetische Programmierung auf Devisenprognosen angewendet und einige Erfolge gezeigt hatten. Eine der Komplikationen bei der GA-Optimierung besteht darin, dass der Benutzer einen Satz von Parametern wie etwa die Crossover-Rate, die Populationsgröße und die Mutationsrate definieren muss. Entsprechend De Jong 10, das genetische Algorithmen in der Funktionsoptimierung studierte, erfordert gute GA-Leistung hohe Übergangswahrscheinlichkeit (umgekehrt proportional zur Bevölkerungsgröße) und eine gemäßigte Bevölkerungsgröße. Goldberg 12 und Markellos 19 legen nahe, dass ein Satz von Parametern, der bei vielen Problemen gut funktioniert, ein Crossover-Parameter 0,6, eine Populationsgröße 30 und ein Mutationsparameter 0,0333 ist. Bauer 4 führte eine Reihe von Simulationen zu finanziellen Optimierungsproblemen durch und bestätigte die Gültigkeit der Vorschläge von Goldbergrsquos. In der vorliegenden Studie werden wir eine begrenzte Simulationsstudie durch Testen verschiedener Parameterkonfigurationen für das gewählte Handelssystem durchführen. Wir werden auch Beweise für die GA vorgeschlagen durch den Vergleich unseres Tools mit anderen Software-Tools.