Pair Trading Strategia Journal

Tijs Research Journal of Social Science Management - RJSSM Il riviste internazionali di ricerca Pubblicazioni Research Journal of Social Science Management-RJSSM è promosso con ISSN rilasciato dalla Biblioteca Nazionale, Singapore. La visione è quello di incoraggiare la Fraternità di ricerca per condividere le loro conoscenze e pubblicare qualsiasi lavoro degno on-line, portando così una armonia tra la comunità di ricerca. Questo ufficiale è solo un primo passo e andando avanti si può guardare fuori per molte altre riviste, che saranno lanciati con l'unico scopo di servire la comunità della conoscenza coinvolta nella ricerca. Tijs riviste di ricerca sono elencati nella directory internazionale come. Ulrichs Periodici Directory (un ProQuest Co), indice Copernixus, Scientific Journal Impact Factor, Google Scholar, Open J-Gate. e molte altre directory popolari per una migliore citazione e Impact Factor. Anche nel processo di quotazione in Thomson Reuters, Scopus come directory. Altamente sarà apprezzato se è possibile inoltrare questo invito attraverso i vostri ColleaguesFriends e richiedere più registrazioni osservazioni, che può aiutare i più, dal momento che abbiamo una migliore portata attraverso i continenti e si accede dai lettori a livello globale e annotare l'ufficiale depositerà i problemi (elettronica formato) in Biblioteca nazionale, Singapore. In alternativa è possibile inviare il potenziale indirizzo autori e-mail a Editor o Clicca qui per inviare questa pagina ad un amico Clicca qui per visitare il nostro altre riviste Vol 6, No 10 (2017): 01 febbraio 2017 Tijs ricerca riviste sono elencati nella Directory Internazionale come . Ulrichs Periodici Directory (un ProQuest Co), indice Copernixus, Scientific Journal Impact Factor, Google Scholar, Open J-Gate. e molte altre directory popolari per una migliore citazione e Impact Factor. Anche nel processo di quotazione in Thomson Reuters, Scopus come directory. Per scaricare il file coverpagewrapper 1) tasto destro del mouse sull'immagine, 2) selezionare Salva immagine come e 3) selezionare il folder. Top locale desiderato 5 Strategie di Trading Popolare In questo articolo vi mostrerà alcune delle strategie di trading più comuni e anche come si può analizzare i pro ei contro di ciascuno a decidere la migliore per il vostro stile di trading. Le prime cinque strategie che tratteremo sono i seguenti: sblocchi sono una delle tecniche più comuni utilizzate nel mercato per il commercio. Sono costituiti da identificare un livello di prezzo chiave e poi acquistare o vendere le interruzioni di prezzo che il pre livello determinato. L'aspettativa è che se il prezzo ha abbastanza forza per rompere il livello allora continuerà a muoversi in quella direzione. Il concetto di una rottura è relativamente semplice e richiede una comprensione moderata di supporto e resistenza. Quando il mercato è in trend e si spostano con forza in una direzione, il commercio breakout assicura che non perdere mai la mossa. Generalmente sblocchi vengono utilizzati quando il mercato è già in corrispondenza o vicino alle alte livelli estremamente bassi del recente passato. L'aspettativa è che il prezzo continuerà a muoversi con la tendenza e in realtà rompere l'alta estrema e continuare. Con questo in mente, di tenere effettivamente il commercio abbiamo semplicemente bisogno di effettuare un ordine appena sopra l'alto o appena sotto il basso in modo che il commercio viene automaticamente inserito quando il prezzo si muove. Questi sono chiamati ordini limite. E 'molto importante evitare sblocchi commerciali quando il mercato non è in trend, perché questo si tradurrà in falsi mestieri che si traducono in perdite. La ragione di queste perdite è che il mercato non ha lo slancio per continuare il movimento al di là delle alti e bassi estremi. Quando il prezzo colpisce queste zone, di solito poi scende nuovamente nella gamma precedente, con conseguenti perdite per eventuali operatori che cercano di tenere nella direzione del movimento. Ritracciamenti Retracements richiedono un insieme di abilità leggermente diverso e ruotano intorno al commerciante che identifica una chiara direzione per il prezzo di muoversi in e diventare sicuri che il prezzo continuerà a muoversi in. Questa strategia si basa sul fatto che dopo ogni mossa nella direzione prevista, il prezzo sarà temporaneamente invertire come i commercianti prendono i loro profitti ed i partecipanti alle prime armi cercano di commerciare nella direzione opposta. Questi tirano spalle o ritracciamenti effettivamente offrire gli operatori professionali, con un prezzo molto migliore in cui entrare nella direzione originale poco prima della continuazione del movimento. Quando viene utilizzato anche ritracciamenti di trading supporto e resistenza, come con break out. L'analisi fondamentale è anche fondamentale per questo tipo di trading. Quando il movimento iniziale ha avuto luogo gli operatori dovranno essere a conoscenza dei vari livelli di prezzo che sono già stati violati nel movimento originale. Essi prestare particolare attenzione ai livelli chiave di supporto e resistenza e le aree sul grafico dei prezzi come 00 livelli. Questi sono i livelli che cercherà di acquistare o vendere di seguito. Retracements vengono utilizzati solo dai commercianti nei periodi in cui il sentimento di breve termine è alterato da eventi economici e notizie. Questa notizia può causare shock temporanei per il mercato che si traducono in questi ritracciamenti contro la direzione del movimento originale. Le ragioni iniziali per la mossa potrebbe essere ancora a posto ma l'evento di breve termine possono indurre gli investitori a diventare nervoso e prendono i loro profitti, che a sua volta provoca il ritracciamento. Dato che le condizioni iniziali rimangono questo allora offre altri investitori professionali l'opportunità di tornare nel passaggio a un prezzo migliore, che molto spesso fanno. negoziazione Retracement è generalmente inefficace quando non ci sono evidenti ragioni fondamentali per lo spostamento in primo luogo. Pertanto se si vede una grande mossa, ma non si può identificare una chiara ragione fondamentale di questo spostare la direzione può cambiare rapidamente e quello che sembra essere un ritracciamento può effettivamente rivelarsi una nuova mossa nella direzione opposta. Questo si tradurrà in perdite per chiunque cerchi di operare in linea con l'intelligenza moveputational originale e Neuroscienze 1 Dipartimento di Informatica e Ingegneria, Università Nazionale di Kaohsiung, Kaohsiung 811, Taiwan 2 Dipartimento di Ingegneria Elettrica, Nazionale Chiayi University, Chiayi 60004 , Taiwan Ricevuto 21 dicembre 2014 revisione 6 mar 2015 Accepted 14 marzo 2015 Editor Accademico: Rahib H. Abiyev Copyright 2015 Chien-Feng Huang et al. Questo è un articolo ad accesso libero distribuito sotto la Creative Commons Attribution License. che consente l'uso senza restrizioni, la distribuzione e la riproduzione con qualsiasi mezzo, a condizione che l'opera originale sia correttamente citato. Pairs trading è un importante e impegnativo area di ricerca nel campo della finanza computazionale, in cui coppie di stock sono comprati e venduti in combinazioni di coppie di opportunità di arbitraggio. I metodi tradizionali che risolvono questo insieme di problemi per lo più si basano su metodi statistici come la regressione. In contrasto con gli approcci statistici, i recenti progressi nel campo dell'intelligenza computazionale (CI) stanno portando ad promettenti opportunità per risolvere in modo più efficace i problemi nelle applicazioni finanziarie. In questo articolo, vi presentiamo una nuova metodologia per coppie di negoziazione utilizzando algoritmi genetici (GA). I nostri risultati hanno mostrato che i modelli GA-based sono in grado di superare in modo significativo il riferimento ed il nostro metodo proposto è in grado di generare modelli robusti per affrontare le caratteristiche dinamiche nell'applicazione finanziaria studiata. Sulla base dei risultati promettenti ottenuti, ci aspettiamo che questo metodo di GA-based per far avanzare la ricerca in intelligenza computazionale per la finanza e di fornire una soluzione efficace per le coppie di negoziazione per gli investimenti in pratica. 1. Introduzione Negli ultimi decenni, a causa della inefficacia delle approcci tradizionali statistiche, come metodi di regressione-based e di analisi fattore per risolvere i problemi finanziari difficili, le metodologie derivanti dalla intelligenza computazionale, tra cui la teoria fuzzy, reti neurali artificiali (ANN), support vector machines (SVM), e algoritmi evolutivi (EA), sono stati sviluppati come alternative più efficaci per risolvere i problemi nel settore finanziario 1. 2. Tra le tecniche CI-based studiato per la finanza, i modelli possono essere classificati in due principali aree di applicazione: (1) selezione dei titoli, gestione del portafoglio, e l'ottimizzazione 3 6 e (2) la previsione di tempo finanziario serie 7. 8. Per la prima categoria, lavori di ricerca precedenti includono l'analisi decisionale attributo multiple sfocata per la costruzione del portafoglio 9. Zargham e Sayeh 10 impiegati un sistema basato su regole fuzzy per valutare una serie di azioni per lo stesso compito. Chapados e Bengio 11 addestrati reti neurali per la stima e la previsione del comportamento di asset per facilitare il processo decisionale in asset allocation. Nelle applicazioni di EA lungo questa linea di ricerca, Becker et al. 12 impiegati programmazione genetica (GP) per sviluppare classifica stock modelli per il mercato statunitense. Lai et al. 13 usato un doppio stadio GA per selezionare le scorte dalla Borsa di Shanghai per il periodo di tempo di anni 2001 al 2004. Nel Lai et al. s lavoro, ROCE, EPS, PE, e rapporti di liquidità vengono utilizzati per classificare le scorte, e usato GA per calcolare la percentuale ottimale di capitale assegnato a ciascuna delle attività. Lai et al. quindi concluso che il loro metodo di ottimizzazione GA-base è più efficace per applicazioni finanziarie di reti neurali sfocati o artificiali. Di recente, Huang 5 messo a punto un modello di apprendimento basato su macchina ibrida per identificare i gruppi promettenti caratteristiche e parametri del modello ottimali Huang modello è stato dimostrato di essere più efficace rispetto al benchmark e alcuni metodi statistici tradizionali per la selezione dei titoli. Per migliorare le prestazioni dei modelli single oggettivi GA-based, più recentemente, Chen et al. 14 ha proposto un metodo di GA-based multiobiettivo per gli obiettivi di aumentare il ritorno dell'investimento e ridurre il rischio contemporaneamente. In questo approccio, gli autori hanno utilizzato l'ordinamento nondominated per la ricerca di soluzioni nondominated e ha dimostrato che il metodo multiobiettivo ha superato la versione single-obiettivo proposto da Huang 5. Un altro studio popolare di intelligenza computazionale è stata particolarmente preoccupante la previsione di serie storiche finanziarie. Una certa quantità di ricerca si avvale di tecniche di apprendimento di rete, tra cui feed-forward, funzione di base radiale o ricorrente NN 7 e 8 SVM. Altri metodi intelligenti, come modelli di regressione geneticamente evoluti 15 e sistemi fuzzy induttivi 16, sono disponibili anche in letteratura. Pairs trading 17 è un'importante area di ricerca di finanza computazionale che si basa in genere su dati di serie temporali di prezzo delle azioni per gli investimenti, in cui le scorte sono comprati e venduti in coppia per opportunità di arbitraggio. Si tratta di una strategia speculativa noto nei mercati finanziari sviluppati nel 1980 ed è stato impiegato come un importante strumento di investimento azionari longshort dagli hedge fund e investitori istituzionali 18. Sebbene ci sia stata una notevole quantità di studi CI-based in applicazioni finanziarie, ha riferito la ricerca CI-based per le coppie di trading è scarsa e manca un'analisi seria. Ad oggi, molte opere esistenti lungo questa linea di ricerca si basano su metodi statistici tradizionali come l'approccio cointegrazione 19, il Kalman filtra 20. 21, e la componente principale di analisi 18. Nell'area CI, Thomaidis et al. 17 impiegato un metodo di reti neurali per le aziende coppie di Infosys e Wipro in India e realizzato ragionevole ritorno sugli investimenti utilizzando la coppia di scorte. Saks e Maringer 22 utilizzati programmazione genetica per varie coppie di scorte in Eurostoxx 50 azioni e anche trovato buone strategie coppia-trading. Anche se esistono questi studi CI a base di precedenti per le coppie di trading, che mancava un'analisi seria come il metodo di validazione temporale usato in 5. 23 per un'ulteriore valutazione della robustezza dei sistemi di trading. Inoltre, in questi studi precedenti, i modelli commerciali sono stati costruiti utilizzando solo due azioni come coppia di commercio qui, proponiamo un approccio generalizzato che utilizza più di due titoli come gruppo negoziazione di arbitraggio per migliorare ulteriormente le prestazioni dei modelli . In questo studio, abbiamo anche impieghiamo GA per i problemi di ottimizzazione nei nostri modelli di arbitraggio proposti. In uno studio passato 23, Huang et al. rispetto alla regressione lineare tradizionale e GA per il compito di selezione dei titoli e ha dimostrato che il modello GA-based è in grado di sovraperformare il modello di regressione lineare. Motivati ​​da questo lavoro di ricerca, abbiamo quindi intenzione di impiegare il GA per ottimizzare il nostro sistema intelligente per le coppie di trading, ed i risultati sperimentali dimostreremo che la nostra metodologia proposta GA-based è promettente sovraperformando il benchmark. Inoltre, a differenza di metodi tradizionali di coppie-commerciali che mirano a corrispondenti coppie di titoli con caratteristiche simili, mostriamo anche che il nostro metodo è in grado di costruire modelli di trading di lavoro per i titoli con caratteristiche diverse. In questo studio, abbiamo anche indagare la robustezza del nostro metodo proposto ei risultati mostrano che il nostro metodo è davvero efficace nel generare modelli robusti per l'ambiente dinamico del problema coppie-trading. Questo lavoro è organizzato in quattro sezioni. La sezione 2 illustra il metodo proposto nel nostro studio. Nella Sezione 3. descriviamo i dati di ricerca utilizzati in questo studio e presentare i risultati sperimentali e le discussioni. La sezione 4 conclude questo documento. 2. Materiali e metodi in questa sezione, forniamo lo sfondo rilevante e descrizioni per la progettazione dei nostri sistemi di coppie-negoziazione utilizzando il GA per l'ottimizzazione del modello. 2.1. Pairs Trading pairs trading è ampiamente presume essere l'antenato di arbitraggio statistico, che è una strategia di trading per ottenere profitti da discrepanze di prezzo in un gruppo di stock 17. Tradizionale processo decisionale di investimento si basa in genere su fondamenti della società per valutare il loro valore e il prezzo loro scorte, di conseguenza. Come i veri valori delle scorte sono raramente noti, tecniche di coppie-commerciali sono state sviluppate al fine di risolvere questo investendo azionari coppie con caratteristiche simili (ad esempio titoli dalla stessa industria). Questo mispricing reciproca tra due titoli è teoricamente formulata dalla nozione di diffusione, che viene utilizzato per identificare le posizioni relative quando un inefficienti risultati di mercato del mispricing delle scorte 18. 21. Di conseguenza, il modello di trading è solitamente mercato neutrale, nel senso che è correlata con il mercato e può produrre una strategia di investimento a bassa volatilità. Una forma tipica di coppie di trading delle scorte opera con la vendita del titolo con un prezzo relativamente elevato e di acquistare l'altra con un prezzo relativamente basso al momento della stipula del periodo di scambio, in attesa che quello più alto diminuirà mentre quella inferiore sorgerà nel futuro. Il divario di prezzo delle due azioni, noto anche come diffusione, agisce quindi come un segnale per le posizioni di apertura e chiusura delle coppie di scorte. Durante il periodo di scambio, posizione viene aperto quando l'spread si allarga da una certa soglia, e successivamente le posizioni sono chiusi quando diffusione degli stock ritorna. L'obiettivo di questa strategia long-short è di trarre profitto dal movimento dello spread che si prevede di tornare alla sua media a lungo termine. Considerare capitale iniziale con un tasso di interesse annuo e una frequenza di capitalizzazione in un anno nella capitale dopo un anno può essere espressa come dove è un stazionario processo, media-ritornando la deriva è piccolo rispetto alle fluttuazioni dei e può essere trascurato in molte applicazioni. La logica alla base del processo di media-ritornare è che esiste un equilibrio di lungo periodo (media) per la diffusione. L'investitore può scommettere sulla reversione dello spread corrente alla sua media storica con la vendita e l'acquisto di una quantità appropriata della coppia degli stock. Come (5) mostra, ci si aspetta il ritorno di stock e di tenere traccia di ogni altro dopo il controllo per la corretta. Questo modello suggerisce una strategia di investimento in cui si va lungo 1 dollaro di magazzino e brevi dollari di azioni, se è piccolo. Al contrario, se è grande, si prende una strategia opposta che va a breve e lungo. Come risultato, il ritorno del long-short portafoglio può oscillare attorno ad un equilibrio statistico. In pratica, nel mondo reale, il ritorno del long-short portafoglio sopra per un periodo di tempo può essere calcolato come segue: dove e denota il prezzo delle azioni in cui siamo molto in tempo e. rispettivamente e e indicare il prezzo delle azioni in cui siamo a corto al momento e. rispettivamente. Il metodo coppie-trading può essere generalizzata a un gruppo di stock in cui mispricing può essere identificato attraverso una corretta combinazione di beni il cui tempo di serie è mean-reverting. Si consideri un insieme di beni, e la serie tempo corrispondente dei prezzi delle azioni, un mispricing statistica può essere considerato come una combinazione lineare in cui è un processo di media-ritornare e vettoriale rappresenta le proporzioni di quelle di capitale assegnati a ciascuna attività in portafoglio. Media reversione nell'equazione di cui sopra si riferisce al presupposto che entrambi i prezzi alti e bassi del bene sintetica sono temporanei e che il suo prezzo tende a muoversi verso il suo prezzo medio nel tempo. 2.2. Trading Systems 2.2.1. Market timing modelli in questo lavoro, la media a lungo termine di un prezzo attivi nel processo di media-ritornare può essere modellato dalla media mobile celebrato 24, che è il prezzo medio di un bene in un determinato periodo. Sia il prezzo di un titolo al momento. La media mobile a tempo. la media dei prezzi corrispondenti alle più recenti periodi di tempo, è definita come In questo studio, impieghiamo le bande di Bollinger 24 per determinare se la diffusione di un paio di scorte parte dal suo valore medio dinamica. In genere, le bande di Bollinger prescrivono due bande di volatilità posti sopra e al di sotto di una media mobile, in cui la volatilità può essere definita come un multiplo della deviazione standard dei prezzi del passato. Formalmente le Bande di Bollinger possono essere definiti come segue: dove è la deviazione standard dei prezzi, al momento. nei periodi di tempo passato è un parametro utilizzato per controllare la larghezza delle bande superiore ed inferiore alla media mobile. Una componente importante di un sistema di trading di successo è quello di costruire modelli di market timing che prescrivono significativi punti di ingresso e di uscita sul mercato. In questo studio, useremo le medie mobili e bande di Bollinger per sviluppare un sistema di negoziazione, che è descritto nella prossima sottosezione. 2.2.2. Strategia di Trading e Performance Evaluation calcoliamo la diffusione per l'attività sintetico generato da dove. è il prezzo delle azioni al momento. ed s sono i parametri del modello di coppie generalizzata di trading da stimare. In questo lavoro, si designa la strategia di trading per uno a comprare (vendere) la diffusione subito dopo si arriva deviazioni standard al di sotto (sopra) il suo valore medio e la posizione viene chiuso subito dopo la diffusione si avvicina di deviazioni standard alla sua media, dove e Qui valutiamo le prestazioni di un sistema di negoziazione in termini di rendimento composto, che deve essere determinato dai parametri rilevanti dei modelli di trading utilizzate. Abbiamo innanzitutto definire la restituzione di un sistema di scambio per il quale indica l'insieme dei parametri del modello. Poi la metrica delle prestazioni che usiamo qui è attraverso la (aggravata) il rendimento totale cumulativo, in cui è definito dal prodotto dei rendimenti oltre commerci consecutivi come Pertanto, nel processo di crescita del capitale, la capitale al termine delle negoziazioni è dove rappresenta la capitale iniziale. 2.3. Ottimizzazione di sistemi di trading In considerazione i modelli di market timing e coppie-commerciali, le prestazioni di un sistema di scambio deve essere rafforzata da valori adeguati per i parametri del modello corrispondenti. Per i modelli di market timing, i parametri comprendono il periodo di media mobile e parametri e per le fasce di Bollinger che controlla i multipli delle deviazioni standard della media mobile per i punti di entrata e di uscita. Per il modello coppie-trading, i parametri è composto di insieme dei termini di ponderazione (i) nel risparmio sintattica da (10). In questo studio, ci proponiamo utilizzando algoritmi genetici (GA) per la ricerca dei parametri ottimali del sistema commerciale. Descriveremo le basi di GA così come il nostro sistema di ottimizzazione proposto di seguito. Gli algoritmi genetici 25 sono stati utilizzati come modelli di simulazione computazionale di sistemi evolutivi naturali e come algoritmi adattativi per la risoluzione di problemi di ottimizzazione complessi nel mondo reale. Il nucleo di questa classe di algoritmi è la produzione di nuove strutture genetiche, lungo il corso dell'evoluzione, che forniscono innovazioni soluzioni per il problema. Tipicamente, GA operare su una popolazione evoluzione di agenti artificiali la cui composizione può essere semplice come una stringa binaria che codifica una soluzione al problema a mano e un fenotipo che rappresenta la soluzione stessa. In ogni iterazione, una nuova generazione viene creata mediante l'applicazione di incrocio e mutazione ai candidati prescelti come i genitori. L'evoluzione avviene mediante variazione stocastica iterata di genotipi e la selezione dei fenotipi fit in un ambiente basato su quanto bene le singole soluzioni risolvere un problema. Nel nostro progetto di codifica proposto, la composizione di un cromosoma è concepito per essere costituito da quattro parti che codificano il parametro periodo di media mobile, i multipli e di deviazioni standard per le bande di Bollinger, e l'insieme dei coefficienti di ponderazione (i) per il modello di coppie-trading da (10). Qui usiamo lo schema di codifica binaria per rappresentare un cromosoma in GA. In Figura 1. loci rappresentano la codifica per il periodo di media mobile. Loci rappresentano la codifica delle e per le bande di Bollinger, rispettivamente. Infine, loci rappresentano la codifica del coefficiente di ponderazione. Figura 1: la codifica dei cromosomi. Nel nostro schema di codifica, il cromosoma rappresenta i genotipi di parametri deve essere trasformato nel fenotipo (13) di seguito per ulteriori calcoli fitness. La precisione che rappresenta ciascun parametro dipende dal numero di bit utilizzati per codificare nel cromosoma, che viene determinato come segue: dove è il fenotipo corrispondente per il particolare parametro e sono i valori massimi del parametro minimo e il valore decimale corrispondente ( troncati in interi se il parametro è di tipo intero), ed è la lunghezza del blocco utilizzato per codificare il parametro nel cromosoma. Con questo schema, si definisce la funzione di fitness di un cromosoma come il rendimento annualizzato del sistema commerciale in anni di investimento: dove è il rendimento cumulativo totale calcolato da (11). Il nostro sistema di arbitraggio GA basato complessivo è un processo a più stadi, tra cui l'ottimizzazione simultanea sui coefficienti di ponderazione per gli stock, il periodo per la media mobile, e la larghezza delle bande di Bollinger. L'ingresso al sistema è il set di dati di serie temporali di prezzo delle azioni. Per ogni data combinazione di parametri del modello della media mobile, le bande di Bollinger, ei coefficienti di ponderazione di stock, impieghiamo il sistema di arbitraggio coppie di negoziazione per gli investimenti. In questo lavoro, i tempi per la negoziazione è designato acquistare (vendere) la diffusione subito dopo si arriva a una certa distanza (misurata dalla deviazione standard della media) sotto (sopra) la media e la posizione viene chiusa subito dopo la diffusione si avvicina alla media. Le scorte di essere lungo o corto sono determinati dai termini di ponderazione (i) nel risparmio sintattica da (10). Abbiamo poi calcolare i corrispondenti rendimenti per la valutazione delle prestazioni del sistema. In questo studio, la GA viene utilizzato come strumento di ottimizzazione per l'ottimizzazione simultanea di questi parametri del modello. Il risultato finale è un insieme di parametri di modelli (ottimizzata da GA) che prescrive i modelli coppie-trading e di temporizzazione. Il diagramma di flusso di questo sistema commerciale GA-based è riassunto in Figura 2. Figura 2: Diagramma di flusso del sistema di arbitraggio GA-based. 3. Risultati e discussione In questa sezione si esaminano le prestazioni del nostro metodo proposto per i sistemi di accoppiamento-trading. Usiamo due serie di titoli quotati in Borsa di Taiwan per l'illustrazione: (1) la serie di 10 titoli con caratteristiche simili dal settore dei semiconduttori, che è il più importante settore industriale a Taiwan nel corso degli ultimi due decenni, e (2) l'insieme dei 10 titoli con maggiore capitalizzazione di mercato di vari settori, che denotano caratteristiche industriali distinte in Taiwan. 3.1. 10 titoli del settore dei semiconduttori I rendimenti giornalieri degli stock 10 di semiconduttori a Taiwan da anni 2003 al 2012 sono stati utilizzati per esaminare l'andamento del sistema commerciale GA-ottimizzato. Tabella 1 mostra i 10 titoli utilizzati per questa sottosezione. Figura 3 mostra un'illustrazione della curva best-so-far per il ritorno accumulato (cioè il rendimento cumulativo totale) raggiunta dal GA oltre 50 generazioni. (Per studiare la qualità delle soluzioni nel tempo, una metrica prestazioni tradizionali per GA è la curva più troppo lontano che traccia la idoneità del miglior individuo che è stato visto finora per generazione. Per esempio un punto nella ricerca spazio che ottimizza la funzione obiettivo finora. inoltre, in questo studio, gli esperimenti GA impiegano una selezione binaria torneo 26, un punto di crossover e mutazione rates di 0,7 e 0,005, rispettivamente. usiamo anche 10 bit per codificare ciascuna variabile nel cromosoma e utilizzare 50 individui per la dimensione della popolazione in ogni generazione.) Questa figura mostra come la GA cerca le soluzioni nel corso dell'evoluzione per migliorare progressivamente le prestazioni del sistema commerciale. Tabella 1: I 10 titoli dei semiconduttori utilizzati in questo studio. Figura 3: Un esempio per la curva migliore-so-far da GA. Figura 4 mostra una illustrazione del ritorno accumulato del benchmark, e che del nostro modello GA-based. (In questo studio, il punto di riferimento è definito come il tradizionale metodo di buy-and-hold dove allocare quelle di capitale in proporzione uguale per ogni stock e il ritorno accumulato è calcolato come il prodotto dei rendimenti medi giornalieri di tutti i 10 titoli sopra la 10 anni cioè un investitore investa tutto il capitale nei ceppi inizialmente e vendono tutti solo alla fine del corso dell'investimento.) Questa figura mostra che il modello GA-based supera gradualmente benchmark e la discrepanza performance diventa considerevole nella alla fine del 2012. a differenza del metodo di buy-and-hold che alloca quelli di capitale in parti uguali per ogni stock, GA cerca in modo proattivo per le proporzioni ottimali per posizioni lunghe o corte per ogni risorsa per costruire la diffusione da parte (10). Inoltre, la GA cerca anche la tempistica ottimale per l'acquisto e il corto circuito delle scorte in modo dinamico utilizzando le bande di Bollinger. Nel nostro studio qui, i coefficienti di ponderazione per le proporzioni del capitale allocato alle scorte, il termine per la media mobile, e la larghezza delle bande di Bollinger sono ottimizzati simultaneamente. Come risultato, nel nostro metodologia proposta, un sistema commerciale ottimizzato da GA è un composto di modelli arbitraggio e market timing ottimali. Così, si può aspettarsi GA sia vantaggiosa per la costruzione dei sistemi di arbitraggio e la figura 4 mostra che in effetti il ​​modello GA-based supera il punto di riferimento nel lungo periodo. Pertanto, questi risultati gettano luce su come l'ottimizzazione da GA può essere vantaggioso per il modello coppie-trading. Figura 4: ritorno accumulato del parametro di riferimento rispetto al modello GA-based per gli stock di 10 semiconduttori da anni dal 2003 al 2012. Al fine di esaminare ulteriormente la validità del nostro metodo proposto, validazione statistica sui modelli viene condotta in questo studio. In realtà, il modello appreso utilizzando i dati di formazione deve essere testato dai dati invisibili. Qui, come mostrato in Figura 5. usiamo i dati di stock dei primi trimestri per addestrare il modello, ed i dati restante viene utilizzato per il test. Questa configurazione è quello di fornire una serie di convalide temporali per esaminare l'efficacia dei modelli nell'ambiente dinamico di problemi finanziari, che è diversa dalla procedura normale cross-validation dove il processo di dati che viene diviso in due gruppi indipendenti si ripete parecchi a caso volte senza tenendo conto dei dati di ordine temporale. Tuttavia, nello studio finanziario qui, l'ordine temporale è critico in quanto si vorrebbe utilizzare tutti i dati finora disponibili per addestrare il modello e di applicare i modelli in futuro per i profitti. Figura 5: validazione temporale. Nella fase di formazione di ogni piatto, conduciamo 50 corse per GA e il modello migliore imparato da ogni esecuzione viene esaminato in fase di test. In entrambe le fasi di formazione e di prova, il rendimento cumulativo totale (ritorno accumulato) di un modello nei quarti è calcolato e il rendimento annualizzato corrispondente viene calcolata (14). I rendimenti annualizzati dei migliori 50 modelli in ogni TV sono poi mediati e visualizzati per la formazione e la sperimentazione fasi in tabella 2. In questa tabella, forniamo anche il rendimento del benchmark annualizzato per un ulteriore confronto con i modelli GA-based, in cui il cumulativo rendimento totale per l'indice è calcolato dal prodotto dei rendimenti medi trimestrali delle scorte di semiconduttori 10 nel periodo di tempo in allenamento o test, e il rendimento annualizzato corrispondente viene di nuovo calcolata (14). Tabella 2: confronto dei rendimenti annualizzati del modello GA-based e il punto di riferimento per gli stock 10 di semiconduttori da anni dal 2003 al 2012. In Tabella 2. un controllo sui mezzi di rendimenti annualizzati modello mostra che in tutti i 39 televisori della caso di formazione il metodo GA-based supera il punto di riferimento. Per la fase di test, in 30 su 39 casi, il metodo di GA-based supera il punto di riferimento. La figura 6 mostra inoltre una sostanza visiva su questa discrepanza prestazioni dei due metodi in fase di collaudo. Come si vede, nella maggior parte dei televisori, il rendimento annualizzato del modello GA-base è maggiore di quella del riferimento. Questi risultati dimostrano quindi il nostro metodo di GA-based è promettente per risolvere il problema coppie-trading. Figura 6: Averaged ritorno annualizzato dei primi 50 modelli GA-based rispetto al benchmark (in ogni TV della fase di test) per gli stock di 10 semiconduttori da anni dal 2003 al 2012. 3.2. 10 titoli con capitalizzazione di mercato più grande Successivo usiamo i 10 titoli del grande capitalizzazione quotate nella borsa di Taiwan per esaminare ulteriormente il nostro metodo proposto. I rendimenti giornalieri delle scorte degli anni 2003 al 2012 sono stati nuovamente utilizzati per l'attività di ottimizzazione da parte del GA. La tabella 3 mostra i 10 titoli a maggior capitalizzazione di mercato utilizzato in questo studio. Tabella 3: I 10 maggiori scorte capitalizzazione di mercato utilizzati in questo studio. Figura 7 mostra una illustrazione del ritorno accumulato del benchmark (che è ancora una volta definito come il prodotto dei rendimenti medi giornalieri delle 10 più grandi scorte di capitalizzazione di mercato oltre i 10 anni) e quella del nostro modello GA-based. Come si può vedere, il modello GA-based supera gradualmente il punto di riferimento nel corso di investimento negli anni 2003 al 2012, e la discrepanza prestazioni diventa significativo alla fine del 2012. Questa figura illustra quindi come il modello GA-based può sorpassare il punto di riferimento nel lungo periodo. Figura 7: ritorno accumulato del parametro di riferimento rispetto al modello GA-based per i 10 maggiori titoli capitalizzazione di mercato da anni 2003 al 2012. Per la validazione temporale, con la stessa procedura utilizzata nel comma precedente, tabella 4 mostra il rendimento del benchmark annualizzato e la media del modello annualizzato ritorna per la formazione e casi di test. Come si può vedere dal mezzo di rendimenti annualizzati modello nel caso di formazione, il metodo GA basato supera il punto di riferimento in tutti i 39 televisori. Per la fase di test, in 29 su 39 casi, il metodo di GA-based supera il punto di riferimento, pure. Figura 8 quindi visualizza i risultati nella Tabella 4 per ogni TV in fase di test. Un'ispezione della figura 8 mostra in tal modo che, in 29 su 39 televisori, i modelli GA-base di sovraperformare il benchmark in termini di rendimenti annualizzati. Tabella 4: confronto dei rendimenti annualizzati del modello GA-based e il punto di riferimento per i 10 maggiori titoli capitalizzazione di mercato da anni dal 2003 al 2012. Figura 8: Averaged rendimento annualizzato dei primi 50 modelli GA-based rispetto al benchmark (in ogni TV della fase di test) per i 10 maggiori titoli capitalizzazione di mercato da anni 2003 al 2012. 3.3. Modello Robustezza Infine, si esamina la robustezza dei modelli generati dal nostro metodo utilizzando la misura di precisione studiato in 5, che è definita come In questa definizione, e denota il numero di veri positivi e falsi positivi, rispettivamente. In questo studio, un vero positivo si verifica quando un modello supera il punto di riferimento nel campo della formazione, e in un secondo momento scopre di sovraperformare il benchmark in fase di test, come pure in caso contrario, il modello genera un falso positivo. Questa statistica è un dato importante che indica se il nostro metodo proposto può generare modelli robusti quando il problema è in un ambiente dinamico, come ad esempio il problema finanziario studiato qui. In genere, se un metodo genera un modello che supera il punto di riferimento in fase di formazione, si vorrebbe il modello di continuare a sovraperformare il benchmark in fase di test. Pertanto, se il nostro metodo proposto è in grado di generare molti veri positivi che conduce ad alta precisione, è un'indicazione che il nostro metodo è efficace nel generare modelli robusti. Tabella 5 mostra i risultati di precisione dei 10 dei semiconduttori e più grandi scorte di capitalizzazione di mercato. Come si può vedere, i risultati mostrano che la precisione del nostro metodo proposto è più di 0,7 in entrambi i casi, indicando in tal modo che il nostro metodo proposto è davvero efficace. Tabella 5: di precisione per il 10 semiconduttori e più grandi scorte di capitalizzazione di mercato. 4. Conclusioni In questo lavoro, abbiamo presentato una metodologia GA-based per l'applicazione di coppie di trading nella finanza computazionale. Al fine di esaminare la validità della metodologia proposta, abbiamo condotto una validazione statistica sui modelli imparato a spiegare l'ordine temporale e le caratteristiche dinamiche dei dati magazzino, che è fondamentale per l'investimento del mondo reale come in pratica ci si aspetta i modelli costruiti per ottenere profitti in futuro. Attraverso l'ottimizzazione dei parametri dei modelli di trading per un gruppo di stock, i risultati sperimentali hanno mostrato che il nostro metodo di GA-based è in grado di sovraperformare in modo significativo il punto di riferimento e può generare modelli robusti per le coppie di trading. Abbiamo quindi aspettiamo che questo metodo di GA-base per far avanzare la ricerca in intelligenza computazionale per le applicazioni finanziarie e fornire una soluzione promettente per le coppie di trading. Conflitti di interesse Gli autori dichiarano che non vi è alcun conflitto di interessi per quanto riguarda la pubblicazione di questo documento. 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. References A. M. Farley and S. Jones, Using a genetic algorithm to determine an index of leading economic indicators, Computational Economics . vol. 7, no. 3, pp. 163173, 1994. View at Publisher View at Google Scholar View at Scopus A. Mochxf3n, D. Quintana, Y. Sxe1ez, and P. Isasi, Soft computing techniques applied to finance, Applied Intelligence . vol. 29, no. 2, pp. 111115, 2008. View at Publisher View at Google Scholar View at Scopus K.-J. Kim and I. Han, Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index, Expert Systems with Applications . vol. 19, no. 2, pp. 125132, 2000. View at Publisher View at Google Scholar View at Scopus Y. Becker, P. Fei, and A. Lester, Stock selectionx2014an innovative application of genetic programming methodology, in Genetic Programming Theory and Practice IV . R. Riolo, T. Soule, and B. Worzel, Eds. vol. 5 of Genetic and Evolutionary Computation . chapter 12, pp. 315334, Springer, Ann Arbor, Mich, USA, 2006. View at Google Scholar C.-F. Huang, A hybrid stock selection model using genetic algorithms and support vector regression, Applied Soft Computing Journal . vol. 12, no. 2, pp. 807818, 2012. View at Publisher View at Google Scholar View at Scopus X. Z. Zhang, Y. Hu, K. Xie, S. Y. Wang, E. W. T. Ngai, and M. Liu, A causal feature selection algorithm for stock prediction modeling, Neurocomputing . vol. 14, pp. 4859, 2014. View at Publisher View at Google Scholar View at Scopus G. Zhang, B. E. Patuwo, and M. Y. Hu, Forecasting with artificial neural networks: the state of the art, International Journal of Forecasting . vol. 14, no. 1, pp. 3562, 1998. View at Publisher View at Google Scholar View at Scopus C.-L. Huang and C.-Y. Tsai, A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting, Expert Systems with Applications . vol. 36, no. 2, pp. 15291539, 2009. View at Publisher View at Google Scholar View at Scopus T.-C. Chu, C.-T. Tsao, and Y.-R. Shiue, Application of fuzzy multiple attribute decision making on company analysis for stock selection, in Proceedings of the 1996 Asian Fuzzy Systems Symposium on Soft Computing on Intelligent Systems and Information Processing . pp. 509514, Kenting, Taiwan, December 1996. View at Scopus M. R. Zargham and M. R. Sayeh, A Web-based information system for stock selection and evaluation, in Proceedings of the 1st International Workshop on Advance Issues of E-Commerce and Web-Based Information Systems . pp. 8183, 1999. View at Publisher View at Google Scholar N. Chapados and Y. Bengio, Cost functions and model combination for VaR-based asset allocation using neural networks, IEEE Transactions on Neural Networks . vol. 12, no. 4, pp. 890906, 2001. View at Publisher View at Google Scholar View at Scopus Y. Becker, P. Fei, and A. Lester, Stock selection: an innovative application of genetic programming methodology, in Genetic Programming Theory and Practice IV . R. Riolo, T. Soule, and B. Worzel, Eds. Springer, New York, NY, USA, 2007. View at Google Scholar K. K. Lai, L. Yu, S. Wang, and C. Zhou, A double-stage genetic optimization algorithm for portfolio selection, in Neural Information Processing: Proceedings of the 13th International Conference, ICONIP 2006, Hong Kong, China, October 3x20136, 2006, Part III . vol. 4234 of Lecture Notes in Computer Science . pp. 928937, Springer, Berlin, Germany, 2006. View at Publisher View at Google Scholar S.-S. Chen, C.-F. Huang, and T.-P. Hong, A multi-objective genetic model for stock selection, in Proceedings of the 27th Annual Conference of the Japanese Society for Artificial Intelligence . 2013. G. G. Szpiro, Forecasting chaotic time series with genetic algorithms, Physical Review E . vol. 55, no. 3, pp. 25572568, 1997. View at Google Scholar View at Scopus A. Fiordaliso, A nonlinear forecasts combination method based on Takagi-Sugeno fuzzy systems, International Journal of Forecasting . vol. 14, no. 3, pp. 367379, 1998. View at Publisher View at Google Scholar View at Scopus N. S. Thomaidis, N. Kondakis, and G. D. Dounias, An intelligent statistical arbitrage trading system, in Advances in Artificial Intelligence . vol. 3955 of Lecture Notes in Computer Science . pp. 596599, Springer, Berlin, Germany, 2006. View at Publisher View at Google Scholar M. Avellaneda and J.-H. Lee, Statistical arbitrage in the US equities market, Quantitative Finance . vol. 10, no. 7, pp. 761782, 2010. View at Publisher View at Google Scholar View at MathSciNet View at Scopus E. Gatev, W. N. Goetzmann, and K. G. Rouwenhorst, Pairs trading: performance of a relative-value arbitrage rule, Review of Financial Studies . vol. 19, no. 3, pp. 797827, 2006. View at Publisher View at Google Scholar View at Scopus C. L. Dunis, G. Giorgioni, J. Laws, and J. Rudy, Statistical arbitrage and high-frequency data with an application to Eurostoxx 50 equities, CIBEF Working Papers . CIBEF, 2010. View at Google Scholar R. J. Elliott, J. van der Hoek, and W. P. Malcolm, Pairs trading, Quantitative Finance . vol. 5, no. 3, pp. 271276, 2005. View at Publisher View at Google Scholar View at MathSciNet View at Scopus P. Saks and D. Maringer, Genetic programming in statistical arbitrage, in Applications of Evolutionary Computing . vol. 4974 of Lecture Notes in Computer Science . pp. 7382, Springer, Berlin, Germany, 2008. View at Publisher View at Google Scholar C.-F. Huang, T.-N. Hsieh, B. R. Chang, and C.-H. Chang, A comparative study of stock scoring using regression and genetic-based linear models, in Proceedings of the IEEE International Conference on Granular Computing (GrC 11) . pp. 268273, IEEE, Kaohsiung, Taiwan, November 2011. View at Publisher View at Google Scholar View at Scopus J. Murphy, Technical Analysis of Financial Markets . New York Institute of Finance, New York, NY, USA, 1999. J. H. Holland, Adaptation in Natural and Artificial Systems . The University of Michigan Press, Ann Arbor, Mich, USA, 1975. View at MathSciNet D. E. Goldberg and K. Deb, A comparative analysis of selection schemes used in genetic algorithms, in Foundation of Genetic Algorithms . pp. 6993, 1991. View at Google ScholarTrading Strategies An economic theory of total spending in the economy and its effects on output and inflation. economia keynesiana è stato sviluppato. Una partecipazione di un bene in un portafoglio. Un investimento di portafoglio è realizzato con l'aspettativa di guadagnare un ritorno su di esso. Questo. Un rapporto sviluppato da Jack Treynor che misura i rendimenti ottenuti, superiori a quelle che avrebbero potuto essere guadagnati su un privo di rischio. Il riacquisto delle azioni in circolazione (riacquisto) da parte di una società al fine di ridurre il numero di azioni sul mercato. Aziende. Il rimborso fiscale è un rimborso sulle tasse pagate ad un individuo o famiglia quando l'onere fiscale effettivo è inferiore alla quantità. Il valore monetario di tutti i beni finiti e servizi prodotti all'interno di un confini country039s in un periodo di tempo specifico.