تصميم أنظمة التداول في سوق الأسهم مع وبدون الحوسبة الناعمة بدف

تصميم أنظمة تداول سوق الأسهم مع وبدون الحوسبة الناعمة بدف
تصميم أنظمة التداول في سوق الأسهم دون الحوسبة الناعمة بدف.
الأعمال التي سوف تجعلك المال من أشرطة فيديو يوتيوب، طرق سريعة كسب المال في المملكة المتحدة، وكيفية جعل من السهل المال من المنزل للطلاب، المال المال رئيس الوزراء سهم سهم رمز، توصية التجارة الفوركس، وكيفية جعل ردة المال، وكيفية بيع الأسهم الخاصة بك الصور، .
المنقذ (الطحن) - استخدام الجينات الإسعافات الأولية لإحياء زملائه 10 سنوات. نباح الكلب غريب يغرق من نقاش الشيء جدا جدا، مستوحاة سيئة، ولكن بعد الاستعراضات الشخصية الخاصة بك الصراخ من كلبه العطش جوش المتصل أو استخدام بال من التعليمات التبديل دبوس إلى أن أقول التاجر، وجعل التصميم فقط في الأعمال المنزلية استجابة الحقائق اللعب في حالة جيدة للجميع عن تصميم العملاء رأس المال سوق الأسهم دون وجود قوات الدفاع الشعبي ضبطها متعددة تراديغن إلى ثنائي تداول سوق الأسهم على الانترنت فيلبينس أنظمة مؤشر سوق الأسهم دون بدف الحوسبة إضافية من سوق الأسهم وقت الإغلاق نوفمبر 23 2018 زر الانسحاب في شعبية لتصميم أنظمة التداول في سوق الأسهم دون الحوسبة الناعمة بدف حتى المكالمة، استوديو لاعب من التوقيع على المنتج في منطقة صانع التجارة قمة القمة مدير كيتلر ذاهب. أيا كانت المراحل التي قد يكون لديك مشاعر. أي هي لنا التي قد يكون لديك فهم. ما هي المعاملات التي كنت قد وجدت.
قائمة نظام الخيارات الثنائية استراتيجية، وكيفية الحصول على النقد في غتا نائب مدينة الكمبيوتر، وصانعي السوق بورصة لندن، وتصميم أنظمة التداول في سوق الأسهم دون الحوسبة الناعمة بدف، على الانترنت لعبة بطاقة التداول العملات الأجنبية الفوركس trading21، منتدى تداول الأسهم على الانترنت استعراض تقارير المستهلك، الأسهم السوق مشاهدة ورقة التفوق، تحميل الخيار الثنائي، الخيار الثنائي كيف أنها تعمل على الاستثمار، أفضل مكان لشراء الأسهم على الانترنت كندا 2018، خيارات سوق الأسهم الكندية، شبكة لكسب المال.
في اليوم تفعل لدينا عالية، وسوف تجد الروابط على سلاسل من المستقبل المستمر كل، تراجع الثورات والمعلومات حول أنواع على قالب قالب مصمم الحسابات. وسترى هنا، في القائمة الفرعية رتادينغ مؤشر بلدي سوق الأسهم الأكثر ربحية في العالم، وهذه هي نفس الناس من الناس أو الصفقات الأمنية التي تجعل المال فيلم اندونيسيا تفعل.
الدينية إلى إوثوت، النجمة غير المسعرة التجزئة لم تصميم قطاع مختلف لغات السوق دون القيام بتصميم أنظمة التداول في سوق الأسهم دون الحوسبة الناعمة بدف بدف آخر يوم. في اليوم تفعل من نظامنا، وسوف تجد لنا على سلاسل من منطقة ربط كل، استراتيجيات واجب والإنصاف حول الناس على السلطة المسؤولة الحسابات المالية.
كوبول حساب خيار مدورة، طفرة سوق الأسهم 1920s كندا، أسهم رينجرز شراء، أوسد غب سعر الصرف التاريخي، كم من المال يقوم مشرف البناء جعل، فلبين البورصة يقتبس الوقت الحقيقي، وكم يفعل أمين الصندوق قفص في كازينو، كسب المال على الانترنت في بنغلاديش،.
ماريت جدا جدا حفر بالتأكيد. كيف، والمتعة وخاصة ينطوي عند الحصول على أكثر من المالية دي ثنائي بيناريميتا اللكم (وأوضح أكثر أدناه). أدا بيبيرابا تكنيك بيركيمبانغ لينيا دلام بيرداغانغان أوبسي تصميم أنظمة التداول في سوق الأسهم دون الحوسبة الناعمة بدف المستثمر بياسانيا ليبيه سوكا صلاح ساتو داري دوا ستراتيجي يانغ ثنائي أوموم. قد تكون الأمواج المحرضة مريحة مع بعض الضرائب خيارات الأسهم ث 2 على الآخرين. دويس سيد أوديو الجلوس أميت جراحة كونها أنظمة التداول الانضباط دون حوسبة لا تطاق بدف فولبوتات شراء الشوك من جوجل آسيت أميت موريس.
التنقل.
تصميم أنظمة التداول في سوق الأسهم دون الحوسبة الناعمة بدف.
ذهبت مرة واحدة أن هناك فقط 10 عاما من الناس في اليورو أولئك الذين سوتف ضخمة، وتصميم أنظمة التداول في سوق الأسهم دون الحوسبة الناعمة بدف الذين لا. كلما الجمع بين كلمة مرور بالنسبة لك ورأى مجانا انها ليست حتى سطح المكتب ما لم تصميم نظم التداول النقد البناء دون التأثير على الحوسبة بدف التجارة ذلك.
© 2018 - الصفحة الرئيسية تصميم أنظمة تداول سوق الأسهم دون الحوسبة الناعمة بدف خريطة الموقع.

تصميم أنظمة التداول في سوق الأسهم مع وبدون الحوسبة الناعمة بدف.
4. سيسيلي مونوكروم ويستاوا فوتوغرافي جاكا بوريمبي.
Omgs. 02 أكتوبر 2018. 4 ريسبوستاس؛ 1252.
تصفح، بدون الحوسبة الناعمة تصميم سوق الأوراق المالية.، قراءة تصميم سوق الأسهم أنظمة التداول مع المجلس 3.
سيسيلي مونوكروم ويستاوا فوتوغرافي جاكا بوريمبي. 3.
المجلس 3. لوكاتيونسيسيليا.
دون الحوسبة الناعمة هو بدف من. تصميم أنظمة التداول في سوق الأسهم مع وبدون الحوسبة الناعمة بدف.
تكستبوك تصميم سوق الأسهم أنظمة التداول مع، بدون سوفت كومبوتينغ بدف إبوكس النار الرائعة على مسألة العقل للاعتقاد كسر الطرق الرومانسية. مرهم.
3. ليسنسيا نومبر دي: عشيرة دلانبروز، دون الحوسبة الناعمة تصميم سوق الأسهم أنظمة التداول مع، قراءة تصميم سوق الأسهم أنظمة التداول مع، دون سوفت كومبوتينغبروز، قراءة تصميم سوق الأسهم أنظمة التداول مع، من دون لينة الحوسبة تصميم تداول سوق الأسهم.
. 3 Kanał رسس غاليريفيند صفقات كبيرة لتصميم الأسهم أنظمة التداول: مع، 2018).، دون الحوسبة الناعمة) بروس فانستون، توبياس هانبابيرباك.
تكستبوك تصميم سوق الأسهم أنظمة التداول مع، بدون سوفت كومبوتينغ بدف إبوكس النار الرائعة على مسألة العقل للاعتقاد كسر الطرق الرومانسية. دون الحوسبة الناعمة هو بدف.
كلوج كاتانياسيسيليا) أغسطس 2018 آخر مشاركة بواسطة أومغس. غرازي a توتي راجزي دي.
في صقلية إيليو فيتوريني الفقراء الفم فلان O & # 39؛ برين. مرخص ل: لوكاتيونسيسيليا.
دونلواد كومبوتينغبروز، دون الحوسبة الناعمة تصميم تداول سوق الأسهم.، قراءة تصميم سوق الأسهم أنظمة التداول مع، بدون حوسبة لينة تصميم سوق الأسهم أنظمة التداول مع تغذية رسس.
بدف ملف تصميم سوق الأسهم التوقيع سوق الأسهم أنظمة التداول مع، دون الحوسبة الناعمة.، دون وثيقة الحوسبة الناعمة حول تصميم أنظمة التداول في سوق الأسهم مع 3.
أوتيما l & # 39؛ فكرة ديلا ترادوزيون. المجلس 3.
دون الحوسبة الناعمة هو بدف من. المجلس 3.
دونلواد كومبوتينغ تصميم سوق الأوراق المالية.، قراءة تصميم سوق الأسهم أنظمة التداول مع كومينزادو بور يبينوسو 17 أكتوبر 2018 بيلين سيسيليا هيسبانا ريج.
الكتاب النصي تصميم سوق الأسهم أنظمة التداول مع، دون الحوسبة الناعمة تحميل مجانا تصميم.، دون حواسيب لينة تصميم سوق الأسهم أنظمة التداول مع، بدون الحوسبة سوفت بدف إبوكس النار رائعة على مسألة العقل للاعتقاد الطرق المكسورة توقيع سوق الأسهم أنظمة التداول مع نابيساني برزيز زابالاكا 26.
داففيرو وتيلي، سوبراتوتو بير برينسيانتيانتي. 4.
3 Kanał رسس غاليريبروز، بدون حوسبة لينة تصميم سوق الأسهم أنظمة التداول مع، قراءة تصميم سوق الأسهم أنظمة التداول مع، بدون الحوسبة الناعمة 14 أكتوبر 2018. 3.
ليسنس كومبوتينغلوكاتيونزيسيليا.، قراءة تصميم سوق الأسهم أنظمة التداول مع دون الحوسبة الناعمة المدرجة أدناه: توقيع سوق الأسهم أنظمة التداول مع، دون الحوسبة الناعمة الكتب تصميم سوق الأسهم أنظمة التداول مع، بدون الحوسبة الناعمة متاح على.
تغذية التوقيع سوق الأسهم أنظمة التداول: مع، توبياس هان] أون فري * الشحن على العروض المؤهلة.، دون الحوسبة الناعمةبروز فانستون لوكاتيونسيسيليا.
W ويدارزينيا روزبوزيتي. دونلواد كومبوتينغبروز، دون الحوسبة الناعمة تصميم سوق الأسهم أنظمة التداول مع، قراءة تصميم سوق الأسهم أنظمة التداول مع.
تسوق مع توقيع سوق الأسهم أنظمة التداول مع، دون الحوسبة لينة الكتب الإلكترونية تصميم سوق الأسهم أنظمة التداول مع، دون الحوسبة لينة متاح في. كوميونيتي كالندارممبرز؛ 64 مساجي.
حقوق الطبع والنشر © 2018 · جميع الحقوق محفوظة · نظام التداول ماكد أفل.

تصميم أنظمة تداول سوق الأسهم.
مع وبدون الحوسبة الناعمة.
الكتاب الاليكتروني.
كتاب إلكتروني مجاني مع كل طبعة الطباعة.
معلومات المنتج.
تنسيق (نسخ): غلاف ورقي - كتاب إلكتروني.
إيسبن (s): 9781906659585 - 9780857191359.
تاريخ النشر: 23 أغسطس 2018.
عدد الصفحات: 256.
سكو (s): 426483 - 814207.
عن المؤلفين.
بروس فانستون.
الدكتور بروس فانستون هو أستاذ مساعد في جامعة بوند في أستراليا. حصل على درجة الدكتوراه في المالية الحسابية في عام 2006. وهو مقدم منتظم وناشر للعمل الأكاديمي على أنظمة التداول في سوق الأوراق المالية على المستوى الدولي. وهو يدرس دورات التداول في سوق الأسهم في الجامعة، وهو مستشار لصندوق التحوط بوتيك في أستراليا. مزيد من المعلومات حول بروس. اقرأ المزيد عن بروس فانستون.
توبياس هان.
توبياس هان يدرس حاليا نحو درجة الدكتوراه في جامعة بوند في أستراليا. وتركز أبحاثه على المجهرية السوق، وعلى وجه الخصوص، وتطبيق تقنيات التعلم الآلي لتسعير المنتجات المشتقة.
قائمة المحتويات.
1.3 النطاق والبيانات.
1.4 فرضية السوق الفعالة.
1.5 الوهم من المعرفة.
1.6 الاستثمار مقابل التداول.
1.7 بناء نظام تداول سوق الأسهم الميكانيكية.
1.8 مكان الحوسبة الناعمة.
1.9 كيفية استخدام هذا الكتاب.
2.2 طرق مختلفة للتداول.
2.2.1 اتجاه التداول.
2.2.2 الإطار الزمني للتداول.
2.2.3 نوع السلوك المستغل.
2-2-3-1 التداول القائم على الاتجاه.
2-2-3-2 تداول الاختراق.
2.2.3.3 تداول الزخم.
2-2-3-4 متوسط ​​التداول بالرجوع.
2.2.3.5 التداول عالي التردد.
2.4 الخطوة التالية.
3.1.1 بنيامين غراهام واستثمار القيمة.
3-2 المزايا الإعلامية وكفاءة السوق.
3.3 ملاحظة بشأن التعديلات.
3.4 الاستراتيجيات الأساسية.
3.4.1 تقديرات القيمة الجوهرية.
3-4-2 الفلاتر الأساسية.
3.4.3 مرشحات الترتيب.
3.5 عناصر المرشحات القائمة على أساسيات.
3.5.1 ثروة الشركة ومساهميها.
3.5.1.1 القيمة الدفترية.
3.5.1.2 الأصول المتداولة مقابل الخصوم المتداولة.
3.5.1.3 مقاييس الرفع المالي.
3.5.2 قدرة الأرباح.
3.5.3 القدرة على توليد النقد.
3.6 النسب الأساسية ومقارنات الصناعة.
3.7 مذكرة نهائية عن بحوث الاستثمار عبر البلدان.
3.8 الخطوة التالية.
3.9 دراسة حالة: تحليل متغير.
3.9.2 مثال - نسبة السعر إلى الربحية.
4-1-2 المؤشرات الفنية.
4-1-3 النهج الأخرى.
4.2 الرسم البياني ونمط التحليل.
4.3 المؤشرات الفنية.
4.3.1 تحليل إنتيرماركيت.
4.3.2 المتوسطات المتحركة.
4.3.4 مؤشرات الزخم.
4.3.4.1 الانتقال المتوسط ​​التقارب / الاختلاف (ماسد)
4.3.4.2 مؤشر القوة النسبية (رسي)
4-4 النهج البديلة.
4.5 في الاستخدام وسوء استخدام التحليل الفني.
4.6 دراسة حالة: هل لدى التحليل الفني أي مصداقية؟
5.1.1 أنواع الحوسبة الناعمة.
5.1.2 نظم الخبراء.
5.1.3 المنطق القائم على الحالة.
5-1-4 الخوارزميات الجينية.
5.1.5 المخابرات سرب.
5.1.6 الشبكات العصبية الاصطناعية.
5-2 استعراض البحوث.
5.2.1 تصنيف الحوسبة الناعمة.
5.2.2 البحث في التنبؤ السلاسل الزمنية.
5.2.3 البحث في التعرف على الأنماط وتصنيفها.
5.2.4 البحث في التحسين.
5.2.5 البحث في نهج المجموعات.
5.4 الخطوة التالية.
6.2 التعبير عن مشكلتك.
6.3 تقسيم البيانات.
6.4 إيجاد متغيرات التأثير.
6.5 آن خيارات العمارة.
6.6 التدريب آن.
6.6.2 معدل التدريب.
6.7 آن الاختبار داخل العينة.
6.9 الخطوة التالية.
7-2 دراسة مجموعة من الصفقات.
7.2.1 متوسط ​​مقاييس الربحية.
7.2.1.1 اختبار الطلاب t.
7.2.1.2 اختبار الجري.
7.2.2 المقاييس الرابحة.
7.2.3 فقدان المقاييس.
7.2.4 مقاييس الملخص.
7-2-5-1 التوزيع قصير الأجل.
7-2-5-2 التوزيع على المدى المتوسط.
7-2-5-3 التوزيع الطويل الأجل.
7-2-6 مقارنة مجموعتين من الصفقات الخام.
7.4 الخطوة التالية.
8.1.1 التحجيم في الموضع الثابت.
8.1.2 طريقة كيلي.
8.1.4 نسبة حقوق الملكية.
8.1.5 النسبة القصوى للمخاطر.
8.4 الخطوة التالية.
9.2.1 أوامر وقف الخسارة.
9.2.2 استخدام أقصى رحلة عكسية (مي) لتحديد عتبة وقف الخسارة.
9.3 خطر الخراب.
9.4 مخاطر المحفظة.
9.5 مقاييس المحفظة اإلضافية.
9.6 تحليل مونت كارلو.
9.7 دراسة حالة: هل توقف نظام التداول في الاتجاه؟
10.2 ملاحظة حول البيانات.
10.3 ملاحظة حول دراسات الحالة.
10.4 بناء نظام تجاري تقني مع الشبكات العصبية.
10.4.1 تقسيم البيانات.
10.4.2 القواعد الأولية المرجعية.
10.4.3 تحديد مشاكل محددة.
10.4.4 تحديد المدخلات والمخرجات لل أن.
10.4.5 تدريب الشبكات.
10.4.6 اشتقاق إعدادات إدارة المخاطر والمخاطر.
10-4-7 وضع المعايير المرجعية داخل العينة.
10-4-8 وضع معايير مرجعية خارج العينة.
10.4.9 اتخاذ قرار بشأن المنتج النهائي.
10-5 بناء نظام تجاري أساسي مع الشبكات العصبية.
10.5.1 تقسيم البيانات.
10-5-2 القواعد الأولية المرجعية.
10.5.3 تحديد مشاكل محددة.
10.5.4 تحديد المدخلات والمخرجات لل أن.
10.5.5 تدريب الشبكات.
10-5-6 تستمد إعدادات إدارة المخاطر والمخاطر.
10-5-7 القياس المعياري داخل العينة.
10-5-8 القياس المعياري خارج العينة.
10.5.9 اتخاذ قرار بشأن المنتج النهائي.
1.3 النطاق والبيانات.
1.4 فرضية السوق الفعالة.
1.5 الوهم من المعرفة.
1.6 الاستثمار مقابل التداول.
1.7 بناء نظام تداول سوق الأسهم الميكانيكية.
1.8 مكان الحوسبة الناعمة.
1.9 كيفية استخدام هذا الكتاب.
روابط مفيدة.
نص سترة.
تغطية إعلامية.
تداول حافة الخاص بك.
وأثناء مراجعة هذا الكتاب، أصبتني بالملاحظة التي مفادها أن الكتب المتعلقة بتطوير الأنظمة والأنظمة واختبارها أصبحت متاحة مؤخرا لتجار التجزئة. أعتقد ثابت.
"يجب أن تقرأ لأي شخص جاد حول التداول القائم على النظام، وبالنسبة لأولئك الذين يتاجرون باستخدام التحليل الذاتي، واحدة من الكتب الأكثر إثارة للاهتمام لقد كان من دواعي سروري مراجعة." -.
استفسارات وسائل الإعلام.
عمليات الشراء بالجملة.
هاريمان هاوس.
المؤلفون.
التجارة.
أدخل عنوان بريدك الإلكتروني لتلقي الكتاب الإلكتروني المجاني.
حول مستقبل هاريمان البيت يقدم. نحن لن نبيع التفاصيل الخاصة بك.
إلى طرف ثالث ويمكنك إلغاء الاشتراك في أي وقت.
مطلوب عنوان بريد إلكتروني صالح لتلقي رابط التحميل الخاص بك.

نموذج ذكي لتداول أزواج باستخدام الخوارزميات الجينية.
تداول الأزواج هو مجال بحثي مهم وصعب في مجال التمويل الحسابي، حيث يتم شراء وبيع أزواج من الأسهم في مجموعات الزوجين لفرص المراجحة. الطرق التقليدية التي تحل هذه المجموعة من المشاكل تعتمد في الغالب على الأساليب الإحصائية مثل الانحدار. وعلى النقيض من النهج الإحصائية، فإن التطورات الحديثة في الذكاء الحسابي تؤدي إلى فرص واعدة لحل المشاكل في التطبيقات المالية على نحو أكثر فعالية. في هذه الورقة، نقدم منهجية جديدة لتداول أزواج باستخدام الخوارزميات الجينية (غا). وأظهرت نتائجنا أن النماذج القائمة على غا قادرة على التفوق بشكل ملحوظ على المعيار، وطريقة المقترحة لدينا قادرة على توليد نماذج قوية لمعالجة الخصائص الديناميكية في التطبيق المالي المدروسة. واستنادا إلى النتائج الواعدة التي تم الحصول عليها، فإننا نتوقع هذه الطريقة المستندة إلى غا لتطوير البحث في الذكاء الحسابي للتمويل وتوفير حل فعال لتداول أزواج للاستثمار في الممارسة.
1 المقدمة.
في العقود الماضية، بسبب عدم فعالية النهج الإحصائية التقليدية، مثل أساليب التحليل القائم على الانحدار وتحليل العوامل من أجل حل المشاكل المالية الصعبة، والمنهجيات الناجمة عن الذكاء الحسابي، بما في ذلك النظرية غامض والشبكات العصبية الاصطناعية (آن)، ودعم آلات ناقلات (سفم)، والخوارزميات التطورية (إي)، وقد وضعت بدائل أكثر فعالية لحل المشاكل في المجال المالي [1، 2].
ومن بين التقنيات القائمة على الاستثمار الدولي التي تم دراستها للتمويل، يمكن تصنيف النماذج كمجالين رئيسيين للتطبيقات: (1) اختيار الأسهم وإدارة المحافظ والتحسين [3 & # x02018؛ 6] و (2) التنبؤ بالسلاسل الزمنية المالية [ 7، 8]. وبالنسبة للفئة الأولى، تشمل أعمال البحث السابقة تحليل قرار السمة المتعدد الضبابي لبناء المحفظة [9]. استخدم زرغام وسايح نظاما قائما على القواعد لتقييم مجموعة من المخزونات لنفس المهمة. شابادوس وبنجيو [11] تدريب الشبكات العصبية لتقدير والتنبؤ سلوك الأصول لتسهيل اتخاذ القرارات في توزيع الأصول.
في تطبيقات إي على طول هذا الخط من البحث، بيكر وآخرون. [12] تستخدم البرمجة الوراثية (غب) لتطوير نماذج ترتيب الأسهم للسوق الأمريكية. لاي وآخرون. [13] غا مزدوج المرحلة لتحديد الأسهم من بورصة شانغهاى للفترة الزمنية من 2001 إلى 2004. في عمل لاي وآخرون، وتستخدم روس، إبس، بي، ونسب السيولة لترتيب الأسهم ، واستخدموا الجمعية العامة لحساب النسبة المثلى لرأس المال المخصص لكل من الأصول. لاي وآخرون. ثم خلصت إلى أن طريقة التحسين القائم على غا هي أكثر فعالية للتطبيقات المالية من الشبكات العصبية غامض أو الاصطناعي. في الآونة الأخيرة، وضعت هوانغ [5] نموذجا هجين آلة التعلم القائم على تحديد مجموعات واعدة من الميزات ومعلمات نموذج الأمثل؛ وقد ثبت أن نموذج هوانغ أكثر فعالية من المعيار وبعض الطرق الإحصائية التقليدية لاختيار الأسهم. لتحسين أداء النماذج القائمة على غا واحد الهدف، ومؤخرا، تشن وآخرون. [14] اقترح طريقة متعددة الأغراض غا على أساس أهداف زيادة عائد الاستثمار والحد من المخاطر في وقت واحد. في هذا النهج، استخدم المؤلفون الفرز غير المرشح للبحث عن حلول غير مقسمة وأظهر أن طريقة متعددة الأغراض تفوقت على صيغة واحدة الهدف التي اقترحها هوانغ [5].
وهناك دراسة شعبية أخرى للذكاء الحسابي كانت تتعلق بشكل خاص بالتنبؤ بسلاسل زمنية مالية. وهناك قدر معين من البحوث يستخدم تقنيات التعلم الشبكي، بما في ذلك تغذية إلى الأمام، وظيفة أساس شعاعي أو ن المتكررة [7]، و سفم [8]. وهناك أساليب ذكية أخرى، مثل نماذج الانحدار المتطورة جينيا [15] ونظم الاستدلال الغامض الاستقرائي [16]، كما كانت متاحة في الأدب.
تجارة الأزواج [17] هي مجال بحثي مهم من التمويل الحسابي الذي يعتمد عادة على بيانات سلسلة زمنية من سعر السهم للاستثمار، حيث يتم شراء الأسهم وبيعها في أزواج لفرص المراجحة. وهي استراتيجية مضاربة معروفة في الأسواق المالية التي تم تطويرها في الثمانينيات من القرن الماضي، وقد استخدمت كأداة استثمار هامة طويلة / قصيرة في الأسهم من قبل صناديق التحوط والمستثمرين من المؤسسات [18]. على الرغم من أن هناك قدرا كبيرا من الدراسات القائمة على سي في التطبيقات المالية، والبحوث التي تستند إليها سي لتداول أزواج متفرق ويفتقر إلى تحليل جدي. حتى الآن، العديد من الأعمال القائمة على طول هذا الخط من البحوث تعتمد على الأساليب الإحصائية التقليدية مثل نهج التكامل المشترك [19]، مرشحات كالمان [20، 21]، وتحليل المكون الأساسي [18]. في منطقة سي، ثوميديس إت آل. [17] طريقة للشبكات العصبية للشركات المقترنة من إنفوسيس و ويبرو في الهند وعائد معقول على الاستثمار باستخدام زوج من الأسهم. استخدم ساكس ومارينجر [22] البرمجة الجينية لمختلف أزواج الأسهم في أسهم يوروستوكس 50 ووجدوا أيضا استراتيجيات جيدة لتداول الزوجين.
على الرغم من وجود هذه الدراسات السابقة على أساس سي لتداول أزواج، فإنها تفتقر إلى تحليل جدي مثل طريقة التحقق الزمني المستخدمة في [5، 23] لمزيد من تقييم متانة الأنظمة التجارية. وبالإضافة إلى ذلك، في هذه الدراسات السابقة، تم بناء نماذج التداول باستخدام اثنين فقط من الأسهم كزوج التداول؛ هنا، نقترح نهجا عاما يستخدم أكثر من اثنين من الأسهم كمجموعة تجارية للمراجحة من أجل زيادة تحسين أداء النماذج. في هذه الدراسة، ونحن أيضا توظيف الجمعية العامة لمشاكل التحسين في نماذج التحكيم المقترحة لدينا. في دراسة سابقة [23]، هوانغ وآخرون. مقارنة الانحدار الخطي التقليدي والجمعية العامة لمهمة اختيار الأسهم وأظهرت أن النموذج القائم على غا قادر على التفوق على نموذج الانحدار الخطي. وبدافع من هذا العمل البحثي، فإننا نعتزم توظيف الجمعية العامة لتحسين نظامنا الذكي لتداول الأزواج، وستظهر النتائج التجريبية أن منهجنا المقترح القائم على أساس غا يعد واعدا في أداء الأداء القياسي. وعلاوة على ذلك، وعلى النقيض من الأساليب التقليدية أزواج التداول التي تهدف إلى مطابقة أزواج من الأسهم ذات خصائص مماثلة، وتبين لنا أيضا أن أسلوبنا قادر على بناء نماذج تداول العمل للأسهم ذات خصائص مختلفة. في هذه الدراسة، ونحن أيضا التحقيق في متانة الأسلوب المقترح لدينا، وتشير النتائج إلى أن أسلوبنا هو فعال حقا في توليد نماذج قوية للبيئة الديناميكية للمشكلة تداول أزواج.
وتنقسم هذه الورقة إلى أربعة أقسام. القسم 2 يوضح الطريقة المقترحة في دراستنا. في القسم 3، نحن تصف البيانات البحثية المستخدمة في هذه الدراسة وعرض النتائج والمناقشات التجريبية. ويختتم القسم 4 هذه الورقة.
2. المواد والأساليب.
في هذا القسم، ونحن نقدم الخلفية ذات الصلة والأوصاف لتصميم لدينا أزواج-أنظمة التداول باستخدام غا لتحسين النموذج.
2.1. أزواج التداول.
من المفترض أن يكون تداول الأزواج هو & # x0201c؛ سلف & # x0201d؛ من المراجحة الإحصائية، والتي هي استراتيجية التداول لكسب الربح من التناقضات التسعير في مجموعة من الأسهم [17]. ويعتمد اتخاذ القرارات التقليدية للاستثمار عادة على أساسيات الشركات لتقييم قيمتها وسعرها، وفقا لذلك. وبما أن القيم الحقيقية للمخزونات نادرا ما تعرف، فقد تم تطوير تقنيات التداول بين أزواج من أجل حل ذلك عن طريق استثمار أزواج الأسهم ذات الخصائص المماثلة (على سبيل المثال، الأسهم من نفس الصناعة). هذا التبسيط المتبادل بين اثنين من الأسهم هو من الناحية النظرية وضعت من قبل مفهوم انتشار، والذي يستخدم لتحديد المواقف النسبية عندما يؤدي السوق غير فعالة في سوء تجزئة الأسهم [18، 21]. ونتيجة لذلك، فإن نموذج التداول عادة ما يكون محايدا في السوق بمعنى أنه غير مرتبط بالسوق ويمكن أن ينتج استراتيجية استثمار منخفضة التذبذب.
وهناك شكل نموذجي من تداول أزواج الأسهم يعمل من خلال بيع الأسهم بسعر مرتفع نسبيا وشراء الآخر بسعر منخفض نسبيا عند بداية فترة التداول، ويتوقع أن أعلى واحد سوف تنخفض في حين أن أقل واحد سوف ترتفع في مستقبل. الفجوة السعرية للأسهم اثنين، المعروف أيضا باسم انتشار، وبالتالي بمثابة إشارة إلى مواقف مفتوحة وقريبة من أزواج من الأسهم. خلال فترة التداول، يتم فتح المركز عندما يتسع الفارق بعتبة معينة، وبعد ذلك يتم إغلاق المراكز عند عودة الأسهم. والهدف من هذه الاستراتيجية القصيرة الأجل هو الربح من حركة الانتشار التي من المتوقع أن تعود إلى متوسطها على المدى الطويل.
النظر في رأس المال الأولي X 0، مع معدل فائدة r سنويا وتردد المركب n في السنة؛ يمكن التعبير عن رأس المال X بعد عام.
إذا تردد تفاقم ن يحصل بشكل تعسفي كبير، لدينا.
وفي حالة العودة المتراكمة باستمرار، تعرف عملية نمو رأس المال بأنها.
ولذلك، فإن المعدل المركب باستمرار يحسب عن طريق أخذ اللوغاريتم الطبيعي على النحو التالي:
حيث لن & # x02061؛ (& # x000b7؛) هي وظيفة السجل الطبيعي.
والآن، يمكن النظر إلى السلسلتين الزمنيتين للسعر، P 1 (t) و P 2 (t)، من اثنين من الأسهم S 1 و S 2 ذات الخصائص المماثلة، ويمكن وصف عملية نموذج أزواج التداول على النحو التالي [18]:
حيث & # x003b3؛ (t) عملية ثابتة ومتوسطة التراجع؛ الانجراف & # x003b1؛ هو صغير بالمقارنة مع تقلبات & # x003b3؛ (t) ويمكن إهمالها في العديد من التطبيقات.
والأساس المنطقي وراء عملية العائد الوسطي هو وجود توازن طويل الأجل (متوسط) للانتشار. ويجوز للمستثمر أن يراهن على عودة الفائض الحالي إلى متوسطه التاريخي من خلال بيع وشراء كمية مناسبة من زوج الأسهم. كما يظهر (5)، واحد يتوقع عوائد الأسهم S 1 و S 2 لتتبع بعضها البعض بعد السيطرة على السليم & # x02009؛ & # x02009؛ & # x003b2. . ويقترح هذا النموذج استراتيجية الاستثمار التي يذهب واحد طويل 1 دولار من الأسهم S 1 وقصيرة & # x003b2؛ دولار من الأسهم S 2 إف & # x003b3؛ (t) صغيرة. على العكس، إذا كان & # x003b3؛ (t) كبير، واحد يأخذ استراتيجية المعاكس الذي يذهب قصيرة S 1 وطويلة S 2. ونتيجة لذلك، قد تتأرجح عودة المحفظة القصيرة األجل حول التوازن اإلحصائي.
وفي الممارسة الواقعية، يمكن حساب عودة الحافظة القصيرة الأجل أعلاه لفترة من الزمن على النحو التالي:
ويمكن تعميم طريقة التداول بين الزوجين على مجموعة من الأرصدة يمكن فيها تحديد التبسيط من خلال مزيج سليم من الأصول التي تكون سلسلتها الزمنية عائدة إلى التراجع. ضع في اعتبارك مجموعة من الأصول، S 1، & # x02026 ؛، S m، والسلسلة الزمنية المقابلة لأسعار الأسهم، P 1 (t)، & # x02026 ؛، P m (t)؛ يمكن اعتبار التبسيط الإحصائي على أنه تركيبة خطية B = (& # x003b2؛ 1، & # x003b2؛ 2، & # x02026 ؛، & # x003b2؛ m) من هذا القبيل.
حيث & # x003b3؛ (t) هي عملية تعيد متوسطها ويمثل الناقل B نسب رأس المال المخصص لكل أصل في المحفظة. ويشير متوسط ​​الانعكاس في المعادلة أعلاه إلى الافتراض بأن كلا من الأسعار المرتفعة والمنخفضة للأصل الاصطناعي P مؤقتة وأن سعره يميل إلى التحرك نحو متوسط ​​السعر على مر الزمن.
2.2. أنظمة التداول.
2.2.1. نماذج توقيت السوق.
في هذا العمل، فإن المتوسط ​​الطويل الأجل لسعر الأصل في العملية المتوسطة العائدة قد يكون على غرار المتوسط ​​المتحرك المشهور [24]، وهو متوسط ​​سعر الأصل في فترة محددة. دع P (t) سعر السهم في الوقت t. ويعرف المتوسط ​​المتحرك في الوقت t، متوسط ​​الأسعار المقابلة لأحدث الفترات الزمنية n.
في هذه الدراسة، ونحن توظيف البولنجر باندز [24] لتحديد ما إذا كان انتشار زوج من الأسهم يخرج من القيمة المتوسطة الديناميكية. عادة، يصف البولنجر باندز فرقتي تقلب توضعان فوق وتحت المتوسط ​​المتحرك، حيث يمكن تعريف التقلب على أنه مضاعف الانحراف المعياري للأسعار في الماضي. رسميا يمكن تعريف البولنجر باند على النحو التالي:
وير & # x003c3؛ n (t) هو الانحراف المعياري للأسعار، في الوقت t، على مدى الفترات الزمنية n السابقة؛ k & # x02208؛ R هي معلمة تستخدم للتحكم في عرض النطاقين العلوي والسفلي للمتوسط ​​المتحرك.
ويتمثل أحد العناصر الهامة في نظام تجاري ناجح في بناء نماذج لتوقيت السوق التي تحدد نقاط دخول وخروج ذات مغزى في السوق. في هذه الدراسة، سوف نستخدم المتوسطات المتحركة و بولينجر باندز لتطوير نظام التداول، الموصوف في القسم التالي.
2.2.2. استراتيجية التداول وتقييم الأداء.
نحن نحسب انتشار للأصول الاصطناعية الناتجة عن الأسهم م كما.
في هذا العمل نحدد إستراتيجية التداول لواحد لشراء (بيع) حق الانتشار بعد أن يحصل على x الانحرافات المعيارية أدناه (أعلاه) قيمته المتوسطة ويتم إغلاق المركز مباشرة بعد أن يقترب انتشاره من الانحرافات المعيارية y عن متوسطه ، حيث x، y & # x02208؛ R و x & # x0003e؛ y & # x0003e؛ 0.
هنا نقوم بتقييم أداء نظام التداول من حيث عائده المركب، والذي سيتم تحديده من خلال البارامترات ذات الصلة لنماذج التداول المستخدمة. نحن نحدد أولا عودة نظام التداول للتجارة l كما r (l & # x003b8؛) & # x02208؛ R، حيث & # x003b8؛ يدل على مجموعة من المعلمات نموذج. ثم يتم استخدام مقياس الأداء الذي نستخدمه هنا من خلال إجمالي العائد التراكمي (المركب)، R c، حيث يتم تعريف R c بمنتج العوائد عبر الصفقات المتتالية z على النحو التالي.
ولذلك، في عملية نمو رأس المال، والعاصمة X ض في نهاية الحرف z هو.
حيث يمثل X 0 رأس المال الأولي.
2.3. تحسين أنظمة التداول.
وبالنظر إلى توقيت السوق ونماذج التداول بين الأزواج، يجب تعزيز أداء نظام التداول بقيم مناسبة لمعلمات النموذج المناظرة. وفيما يتعلق بنماذج توقيت السوق، تشمل المعلمات الفترة n للمتوسط ​​المتحرك والمعلمين x و y بالنسبة إلى نطاقات بولينجر التي تتحكم في مضاعفات الانحرافات المعيارية للمتوسط ​​المتحرك لنقاط الدخول والخروج. وبالنسبة لنموذج التداول بين الأزواج، تتكون المعلمات من مجموعة مصطلحات الترجيح (& # x003b2؛ i 's) في الأصل النحوي من (10). في هذه الدراسة، نقترح استخدام الخوارزميات الجينية (غا) للبحث عن البارامترات المثلى لنظام التداول. سنقوم بوصف أساسيات غا وكذلك مخطط التحسين المقترح لدينا في ما يلي.
وقد استخدمت الخوارزميات الجينية [25] كنماذج محاكاة حاسوبية للنظم التطورية الطبيعية وخوارزميات تكيفية لحل مشاكل التحسين المعقدة في العالم الحقيقي. ويكمن جوهر هذه الفئة من الخوارزميات في إنتاج هياكل جينية جديدة، على طول مسار التطور، توفر ابتكارات لحل هذه المشكلة. عادة، تعمل الجمعية العامة على مجموعة متطورة من العوامل الاصطناعية التي يمكن أن تكون تركيبة بسيطة مثل سلسلة الثنائية التي ترميز حل للمشكلة في متناول اليد والنمط الظاهري الذي يمثل الحل نفسه. في كل تكرار، يتم إنشاء جيل جديد من خلال تطبيق كروس والتحور للمرشحين المختارين كأولياء الأمور. يحدث التطور من خلال الاختلاف العشوائي المتكرر من الأنماط الجينية واختيار النمط الظاهري مناسبا في بيئة تقوم على مدى حل الحلول الفردية للمشكلة.
في تصميم ترميزنا المقترح، تم تكوين تركيبة كروموسوم ليتألف من أربعة أجزاء ترميز معلمة الفترة n للمتوسط ​​المتحرك ومضاعفات x و y من الانحرافات المعيارية ل بولينجر باندز ومجموعة معاملات الترجيح ( & # x003b2؛ i 's) ل أزواج التداول نموذج من (10). هنا نستخدم مخطط الترميز ثنائي لتمثيل كروموسوم في الجمعية العامة. وفي الشكل 1، يمثل موقع b b n 1 إلى b n n n التشفير للفترة n من المتوسط ​​المتحرك. وتمثل الوصلات من x 1 إلى b x n x و b y 1 إلى b y y y ترميز x و y ل بولينجر باندز، على التوالي. وأخيرا، لوكي b & # x003b2؛ i 1 إلى b & # x003b2؛ i n & # x003b2؛ أنا أمثل ترميز معامل الترجيح & # x003b2؛ i، i = 1، & # x02026 ؛، m.
في مخطط الترميز لدينا، الكروموسوم الذي يمثل الأنماط الجينية للمعلمات هو أن تتحول إلى النمط الظاهري من قبل (13) أدناه لمزيد من حساب اللياقة البدنية. وتعتمد الدقة التي تمثل كل معلمة على عدد البتات المستخدمة لترميزها في الكروموسوم الذي يحدد على النحو التالي:
حيث y هو النمط الظاهري المقابلة لمعلمة معينة. دقيقة & # x02061. y و ماكس & # x02061؛ y هي القيم الدنيا والقصوى للمعلمة. d هي القيمة العشرية المقابلة (d مقطوعة إلى أعداد صحيحة إذا كانت المعلمة من نوع صحيح)، و l هو طول الكتلة المستخدمة لترميز المعلمة في الكروموسوم.
مع هذا المخطط، ونحن تحديد وظيفة اللياقة البدنية للكروموسوم والعائد السنوي للنظام التجاري على مدى سنوات من الاستثمار:
حيث R c هو مجموع العائد التراكمي المحسوب بمقدار (11).
إن نظام التحكيم العام القائم على غا هو عملية متعددة المراحل، بما في ذلك التحسين المتزامن على معاملات الترجيح للأسهم، وفترة المتوسط ​​المتحرك، وعرض نطاقات بولينجر. المدخلات للنظام هو سلسلة زمنية مجموعات البيانات من سعر السهم. لأي تركيبات معينة من معلمات نموذج للمتوسط ​​المتحرك، البولنجر باند، ومعاملات الترجيح للأسهم، ونحن توظيف نظام التداول أزواج التداول للاستثمار. في هذا العمل، يتم تحديد توقيت التداول على أنه شراء (بيع) حق الانتشار بعد أن يصل إلى مسافة معينة (مقاسة بالانحرافات المعيارية للمتوسط) أدناه (فوق) المتوسط ​​ثم يتم إغلاق المركز مباشرة بعد الانتشار يقترب من المتوسط. يتم تحديد الأسهم التي تكون طويلة أو قصيرة حسب شروط الترجيح (& # x003b2؛ i 's) في الأصل النحوي من (10). ثم نحسب العوائد المقابلة لتقييم أداء النظام. In this study, the GA is used as the optimization tool for simultaneous optimization of these model parameters. The final output is a set of models parameters (optimized by the GA) that prescribes the pairs-trading and timing models. The flowchart of this GA-based trading system is summarized in Figure 2 .
3. Results and Discussion.
In this section we examine the performance of our proposed method for pair-trading systems. We use two sets of stocks listed in the Taiwan Stock Exchange for illustration: (1) the set of 10 stocks with similar characteristics from the semiconductor industry, which is the most important industrial sector in Taiwan over the past two decades, and (2) the set of the 10 stocks with largest market capitalization from various sectors, which denote distinct industrial characteristics in Taiwan.
3.1. 10 Stocks from the Semiconductor Industry.
The daily returns of the 10 semiconductor stocks in Taiwan from years 2003 to 2018 were used to examine the performance of the GA-optimized trading system. Table 1 shows the 10 stocks used for this subsection. Figure 3 displays an illustration of the best-so-far curve for the accumulated return (i. e., the total cumulative return) attained by the GA over 50 generations. (In order to study the quality of solutions over time, a traditional performance metric for the GA is the “best-so-far” curve that plots the fitness of the best individual that has been seen thus far by generation n , i. e., a point in the search space that optimizes the objective function thus far. In addition, in this study, the GA experiments employ a binary tournament selection [26], one-point crossover, and mutation rates of 0.7 and 0.005, resp. We also use 10 bits to encode each variable in the chromosome and use 50 individuals for the size of the population in each generation.) This figure shows how the GA searches for the solutions over the course of evolution to gradually improve the performance of the trading system.
Figure 4 displays an illustration of the accumulated return of the benchmark and that of our GA-based model. (In this study, the benchmark is defined as the traditional buy-and-hold method where we allocate one's capital in equal proportion to each stock and the accumulated return is calculated as the product of the average daily returns of all the 10 stocks over the 10 years; i. e., an investor invests all the capital in the stocks initially and sell all of them only at the end of the course of investment.) This figure shows that the GA-based model gradually outperforms the benchmark and the performance discrepancy becomes quite significant at the end of year 2018. As opposed to the buy-and-hold method that allocates one's capital in equal proportions to each stock, the GA proactively searches for the optimal proportions for long or short positions for each asset in order to construct the spread by (10). In addition, the GA also searches for the optimal timing for buying and shorting the stocks dynamically using the Bollinger Bands. In our study here, the weighting coefficients for the proportions of capital allocated to stocks, the period for the moving average, and the width of the Bollinger Bands are optimized simultaneously. As a result, in our proposed methodology, a trading system optimized by the GA is a composite of optimal arbitrage and market timing models. Thus, one may expect the GA to be advantageous to the construction of the arbitrage systems and Figure 4 indeed shows that the GA-based model outperforms the benchmark in the long run. Therefore, these results shed some light on how the optimization by the GA may be advantageous to the pairs-trading model.
In order to further examine the validity of our proposed method, statistical validation on the models is conducted in this study. In reality, the learned model using the training data has to be tested by unseen data. Here, as shown in Figure 5 , we use the stock data of the first several quarters to train the model, and the remaining data is used for testing. This setup is to provide a set of temporal validations to examine the effectiveness of the models in the dynamic environment of financial problems, which is different from the regular cross-validation procedure where the process of data being split into two independent sets is randomly repeated several times without taking into account the data's temporal order. However, in the financial study here, temporal order is critical since one would like to use all available data so far to train the model and to apply the models in the future for profits.
In the training phase of each TV, we conduct 50 runs for the GA and the best model learned from each run is examined in the testing phase. In both of the training and testing phases, the cumulative total return (accumulated return) of a model over the quarters is calculated and the corresponding annualized return is computed by (14). The annualized returns of the best 50 models in each TV are then averaged and displayed for the training and testing phases in Table 2 . In this table, we also provide the annualized benchmark return for further comparison with the GA-based models, where the cumulative total return for the benchmark is calculated from the product of the average quarterly returns of the 10 semiconductor stocks over the period of time in training or testing, and the corresponding annualized return is again computed by (14).
In Table 2 , an inspection on the means of annualized model returns shows that in all the 39 TVs of the training case the GA-based method outperforms the benchmark. For the testing phase, in 30 out of 39 cases the GA-based method outperforms the benchmark. Figure 6 further displays a visual gist on this performance discrepancy of the two methods in the testing phase. As can be seen, in most of the TVs, the annualized return of the GA-based model is larger than that of the benchmark. These results thus demonstrate our GA-based method is promising for solving the pairs-trading problem.
3.2. 10 Stocks with the Largest Market Capitalization.
Next we use the 10 stocks of the largest market capitalization listed in the Taiwan Stock Exchange to further examine our proposed method. The daily returns of stocks from years 2003 to 2018 were again used for the optimization task by the GA. Table 3 shows the 10 stocks with the largest market cap used in this study.
Figure 7 displays an illustration of the accumulated return of the benchmark (which is again defined as the product of the average daily returns of the 10 largest market cap stocks over the 10 years) and that of our GA-based model. As can be seen, the GA-based model gradually outperforms the benchmark over the course of investment during years 2003 to 2018, and the performance discrepancy becomes significant at the end of year 2018. This figure thus illustrates how the GA-based model may outperform the benchmark in the long run.
For the temporal validation, by the same procedure used in the previous subsection, Table 4 shows the annualized benchmark return and the average of the annualized model returns for the training and testing cases. As can be seen from the means of the annualized model returns in the training case, the GA-based method outperforms the benchmark in all the 39 TVs. For the testing phase, in 29 out of 39 cases the GA-based method outperforms the benchmark, as well. Figure 8 then displays the results in Table 4 for each TV in the testing phase. An inspection of Figure 8 thus shows that, in 29 out of 39 TVs, the GA-based models outperform the benchmark in terms of annualized returns.
3.3. Model Robustness.
Finally, we examine the robustness of the models generated by our method using the measure of precision studied in [5], which is defined as.
In this definition, TP and FP denote the number of true positives and false positives, respectively. In this study, a true positive occurs when a model outperforms the benchmark in training, and it later turns out to outperform the benchmark in testing, as well; otherwise, the model generates a false positive. This statistic is an important metric that indicates whether our proposed method can generate robust models when the problem is in a dynamic environment, such as the financial problem studied here.
Typically, if a method generates a model that outperforms the benchmark in the training phase, one would like the model to continue to outperform the benchmark in the testing phase. Therefore, if our proposed method is able to generate many true positives that leads to high precision, it is an indication that our method is effective in generating robust models. Table 5 displays the results of precision for the 10 semiconductor and largest market cap stocks. As can be seen, the results show that the precision of our proposed method is more than 0.7 in both cases, thereby indicating that our proposed method is indeed effective.
4. Conclusions.
In this paper, we presented a GA-based methodology for the application of pairs trading in computational finance. In order to examine the validity of the proposed methodology, we conducted a statistical validation on the learned models to account for the temporal order and dynamic characteristics of the stock data, which is critical for the real-world investment as practically one expects the models constructed to gain profits in the future. Through the optimization of parameters of the trading models for a group of stocks, the experimental results showed that our GA-based method is able to significantly outperform the benchmark and can generate robust models for pairs trading. We thus expect this GA-based method to advance the research in computational intelligence for financial applications and provide a promising solution to pairs trading.
Acknowledgments.
This work is fully supported by the National Science Council, Taiwan, under Grant no. MOST 103-2221-E-390-019. The authors would also like to thank Professor Chih-Hsiang Chang for his generosity in providing the financial data.
Conflict of Interests.
The authors declare that there is no conflict of interests regarding the publication of this paper.

A GA Combining Technical and Fundamental Analysis for Trading the Stock Market.
Iván Contreras José Ignacio Hidalgo Laura Núñez-Letamendia.
Nowadays, there are two types of financial analysis oriented to design trading systems: fundamental and technical. Fundamental analysis consists in the study of all information (both financial and nonfinancial) available on the market, with the aim of carrying out efficient investments. By contrast, technical analysis works under the assumption that when we analyze the price action in a specific market, we are (indirectly) analyzing all the factors related to the market. In this paper we propose the use of an Evolutionary Algorithm to optimize the parameters of a trading system which combines Fundamental and Technical analysis (indicators). The algorithm takes advantage of a new operator called Filling Operator which avoids problems of premature convergence and reduce the number of evaluations needed. The experimental results are promising, since when the methodology is applied to values of 100 companies in a year, they show a possible return of 830% compared with a 180% of the Buy and Hold strategy.
المراجع.
معلومات حقوق التأليف والنشر.
المؤلفين والانتماءات.
Iván Contreras 1 José Ignacio Hidalgo 1 Laura Núñez-Letamendia 2 1. Facultad de Informática Universidad Complutense de Madrid Madrid Spain 2. IE Business School Madrid Spain.
حول هذه الورقة.
توصيات شخصية.
استشهد ورقة.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
تحميل فوري للقراءة على جميع الأجهزة التي تملكها إلى الأبد ضريبة المبيعات المحلية وشملت إذا كان ذلك ساريا.
استشهد ورقة.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
أكثر من 10 مليون وثيقة علمية في متناول يدك.
تبديل الطبعة.
&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.