Matlab المتاجرة نظام

أنظمة التداول Coding. Trading سيستمز هي ببساطة مجموعة من القواعد التي يستخدمها التجار لتحديد إدخالاتهم ومخارجهم من موقع يمكن أن يساعد تطوير أنظمة التداول واستخدامها على مساعدة المتداولين على تحقيق عوائد متسقة مع الحد من المخاطر في الوضع المثالي، يجب أن يشعر التجار بأنهم روبوتات، بشكل منتظم وبدون عاطفة لذلك، ربما كنت قد سألت نفسك ما لوقف الروبوت من التداول نظامي الجواب لا شيء هذا البرنامج التعليمي سوف أعرض لكم إلى الأدوات والتقنيات التي يمكنك استخدامها لإنشاء نظام التداول الآلي الخاص بك. كيف هي الآلي للتجارة الأنظمة التي تم إنشاؤها يتم إنشاء أنظمة التداول الآلي من خلال تحويل قواعد نظام التداول الخاص بك إلى التعليمات البرمجية التي يمكن أن يفهم جهاز الكمبيوتر الخاص بك ثم يقوم بتشغيل تلك القواعد من خلال برنامج التداول الخاص بك، والتي تبحث عن الصفقات التي تلتزم القواعد الخاصة بك وأخيرا، يتم وضع الصفقات تلقائيا مع الخاص بك وسيركز هذا البرنامج التعليمي على الأجزاء الثانية والثالثة من هذه العملية، حيث القواعد الخاصة بك وتحويلها إلى رمز أن برنامج التداول الخاص بك يمكن أن نفهم واستخدام. ما برامج التداول يدعم أنظمة التداول الآلي هناك العديد من البرامج التجارية التي تدعم أنظمة التداول الآلي بعض سوف تولد تلقائيا وتضع الصفقات مع وسيط الخاص بك الآخرين سوف تجد تلقائيا الصفقات التي تناسب المعايير الخاصة بك، ولكن تتطلب أن تضع الأوامر مع وسيط الخاص بك يدويا وعلاوة على ذلك، برامج التداول التلقائي بالكامل غالبا ما تتطلب أن تستخدم السمسرة محددة التي تدعم هذه الميزات قد تضطر أيضا لاستكمال نموذج إذن إضافي. المزايا والعيوب أنظمة التداول الآلي لديها العديد من الفوائد، ولكن لديهم أيضا سلبياتهم بعد كل شيء، إذا كان شخص ما لديه نظام التداول التي جعلت المال تلقائيا في كل وقت، وقال انه أو انها سوف تملك حرفيا آلة صنع المال. النظام الآلي يأخذ العاطفة ومشغول العمل من التداول، والذي يسمح لك للتركيز على تحسين الاستراتيجية الخاصة بك وإدارة الأموال القواعد. بمجرد نظام مربحة ط s المتقدمة، فإنه لا يتطلب أي عمل على الجزء الخاص بك حتى يكسر، أو ظروف السوق تتطلب تغيير. إذا لم يتم ترميز النظام بشكل صحيح واختبارها، يمكن أن تحدث خسائر كبيرة بسرعة كبيرة. في بعض الأحيان يستحيل وضع قواعد معينة في التعليمات البرمجية، والتي يجعل من الصعب تطوير نظام التداول الآلي. في هذا البرنامج التعليمي سوف تتعلم كيفية تخطيط وتصميم نظام التداول الآلي، وكيفية ترجمة هذا التصميم إلى التعليمات البرمجية التي سوف تفهم الكمبيوتر الخاص بك، وكيفية اختبار خطتك لضمان الأداء الأمثل، وأخيرا، كيفية وضع النظام الخاص بك لاستخدام. تحقق من إذا أخذ مسار أقل سافر سوف تعمل لصالحك - أو ضد it. A نظام التداول يمكن أن توفر الوقت واتخاذ العاطفة من التداول، ولكن اعتماد واحد يأخذ المهارة والموارد - معرفة المزيد هنا. معظم السماسرة سوف توفر لك مع السجلات التجارية، ولكن من المهم أيضا أن تتبع على الخاص بك. هذه الخطوات سوف تجعلك أكثر انضباطا، وأكثر ذكاء، وفي نهاية المطاف، تاجر أكثر ثراء. أسئلة وأجوبة. عندما كنت ماك إي دفع الرهن العقاري، والمبلغ المدفوع هو مزيج من رسوم الفائدة وسداد أصل أكثر من. تعلم التفريق بين السلع الرأسمالية والسلع الاستهلاكية، ونرى لماذا تتطلب السلع الرأسمالية المدخرات والاستثمار. المشتقة هو عقد بين طرفين أو أكثر الذي تستند قيمته إلى الأصول المالية المتفق عليها. الخيار الاقتصادي خندق، صاغ وشعبية من قبل وارن بافيت، يشير إلى القدرة التجارية للحفاظ على مزايا تنافسية. أسئلة وأجوبة. عندما تقوم بإجراء دفع الرهن العقاري، والمبلغ المدفوع هو مجموعة من رسوم الفائدة وسداد أصل أكثر من. Learn للتمييز بين السلع الرأسمالية والسلع الاستهلاكية، ونرى لماذا تتطلب السلع الرأسمالية المدخرات والاستثمار. المشتقات هو عقد بين اثنين أو أكثر من الأطراف التي تستند قيمتها على أساس متفق عليه، على الأصول المالية الأساسية. الخط الاقتصادي خندق، صاغ وشعبي من قبل وارن بافيت، يشير إلى القدرة على الأعمال التجارية للحفاظ على قدرة على المنافسة تطوير نظام التداول الآلي مع MATLAB. Stuart كوزولا، MathWorks. Want لمعرفة كيفية إنشاء نظام التداول الآلي التي يمكن التعامل مع حسابات تجارية متعددة، وفئات الأصول متعددة، والتجارة عبر أماكن تجارية متعددة في وقت واحد. في هذا البرنامج التعليمي على شبكة الإنترنت سوف نقدم مثال سير العمل للبحث وتنفيذ واختبار ونشر استراتيجية التداول الآلي توفير أقصى قدر من المرونة في ما والذين تتاجر مع أنت سوف تتعلم كيف يمكن استخدام منتجات ماتلاب لجمع البيانات وتحليل البيانات والتصور، وتطوير نموذج والمعايرة، باكتستينغ، والمشي واختبار الأمام، والتكامل مع النظم القائمة ونشر في نهاية المطاف للتجارة في الوقت الحقيقي ونحن ننظر إلى كل من أجزاء في هذه العملية ونرى كيف يوفر ماتلاب منصة واحدة تسمح الحل الفعال لجميع أجزاء من هذه المشكلة. موضوعات محددة تشمل. بيانات جمع الخيارات، بما في ذلك اليومية التاريخية، لحظيا، والبيانات في الوقت الحقيقي. نموذج البناء والنماذج في ماتلاب. اختبار ومعايرة نموذج. المرحلة إلى الأمام اختبار ونموذج التحقق من الصحة. التفاعل مع المكتبات والبرمجيات القائمة لتنفيذ التجارة. نشر التطبيق النهائي في عدد من البيئات، بما في ذلك جافا، و Excel. Tools لتداول عالية التردد، بما في ذلك موازية والحوسبة، و غبوس، وتوليد رمز C من MATLAB. Product التركيز. حدد بلدك. وقائع المؤتمر الدولي للطرق الحسابية في العلوم والهندسة 2004. تحسين نظم التداول التقنية باستخدام ماتلاب القائم على الخوارزمية الجينية الجديدة الإجراء. Stephanos بابادامو أ. George ستيفانيدس با قسم الاقتصاد، جامعة ثيسالي، أرغونوتون وفيلينون، فولوس، اليونان. ب قسم المعلوماتية التطبيقية، جامعة مقدونيا العلوم الاقتصادية والاجتماعية، إغناتياس 156، ثيسالونيكي 54006، اليونان. تم تصورها 18 مايو 2006 قبل 15 ديسمبر 2006 متاح على الانترنت 24 يناير 2007. وتشير الدراسات الحديثة في الأسواق المالية إلى أن التحليل الفني يمكن أن يكون أداة مفيدة جدا في التنبؤ بالاتجاه وتستخدم أنظمة التداول على نطاق واسع لتقييم السوق ومع ذلك، وقد جذبت المعلمة الأمثل من هذه النظم القليل من الاهتمام في هذه الورقة، لاستكشاف القوة المحتملة للتجارة الرقمية، نقدم أداة ماتلاب جديدة تقوم على خوارزميات وراثية أداة متخصصة في تحسين المعلمة من القواعد الفنية ويستخدم قوة الخوارزميات الجينية لتوليد حلول سريعة وفعالة في شروط التداول الحقيقية وقد تم اختبار أداة لدينا على نطاق واسع على البيانات التاريخية لصندوق أوبس الاستثمار في أسواق الأسهم الناشئة من خلال نظامنا الفني محددة النتائج تبين أن فإن غاتراديتول المقترحة لدينا يتفوق على استخدام أدوات البرمجيات غير المستخدمة على نحو شائع، وغير التكيف، فيما يتعلق باستقرار العودة وتوفير الوقت على مدى فترة العينة بأكملها ومع ذلك، قدمنا ​​دليلا على احتمال تأثير حجم السكان في نوعية الحلول. الأسواق المالية. خوارزميات جينيتيك. القواعد الفنية .1 مقدمة. التجار اليوم ومحللون الاستثمار تتطلب بسرعة والأدوات الفعالة في سوق مالية لا يرحم المعارك في التداول هي الآن التي شنت أساسا على سرعة الكمبيوتر تطوير تكنولوجيا البرمجيات الجديدة وظهور بيئات البرمجيات الجديدة مثل ماتلاب توفر الأساس لحل المشاكل المالية الصعبة في الوقت الحقيقي ماتلاب s واسعة المدمج في وظيفية رياضية ومالية، حقيقة أنه على حد سواء لغة البرمجة المترجمة والمجمعة واستقلاليتها منصة تجعلها مناسبة تماما لتطوير التطبيقات المالية. الثقة على العائدات المكتسبة من قبل القواعد الفنية، بما في ذلك استراتيجيات الزخم على سبيل المثال 14 15 16 16 25 و 20 ، المتوسط ​​المتحرك للقواعد والأنظمة التجارية الأخرى 6 2 9 و 24 يمكن أن تدعم أهمية التحليل الفني. ومع ذلك، فإن غالبية هذه الدراسات قد تجاهلت مسألة تحسين المعلمة، وتركها مفتوحة لانتقادات من التطفل البيانات وإمكانية التحيز البقاء على قيد الحياة 7 17 و 8 استخدم الباحثون تقليديا مواصفات مخصصة لقواعد التداول يستخدمون دي خطأ تكوين شعبية أو محاولة عشوائيا من عدد قليل من المعلمات المختلفة واختيار أفضل مع المعايير القائمة على العودة أساسا. بابادامو و ستيفانيدس 23 نفذت الأدوات القائمة على ماتلاب جديدة لتداول الفني بمساعدة الكمبيوتر التي شملت إجراء لمشاكل الأمثل المعلمة ومع ذلك، فإن نقطة ضعف الإجراء الأمثل لها هو الوقت وظيفة الهدف على سبيل المثال الربح إسن تا بسيطة تربيع وظيفة الخطأ ولكن معقدة واحدة كل التكرار الأمثل يمر من خلال البيانات، ويولد إشارات التداول، ويحسب الأرباح، الخ عندما تكون مجموعات البيانات كبيرة، وكنت ترغب في إعادة تشغيل النظام الخاص بك في كثير من الأحيان، وكنت في حاجة الى حل في أقرب وقت ممكن، ثم محاولة الخروج من جميع الحلول الممكنة للحصول على أفضل واحد سيكون مهمة شاقة جدا. جينيتيك خوارزميات غاس هي الأنسب لأنها تؤدي عمليات البحث العشوائي بطريقة منظمة وتتلاقى جدا بسرعة على السكان من الحلول الأمثل القريب سوف غا تعطيك مجموعة من السكان من حلول جيدة تحليل ستس مهتمة في الحصول على عدد قليل من الحلول الجيدة في أسرع وقت ممكن بدلا من الحل الأفضل عالميا الحل الأفضل عالميا موجود، ولكن من المستبعد جدا أنها سوف تستمر لتكون أفضل واحد. الهدف من هذه الدراسة هو إظهار كيف يمكن استخدام الخوارزميات الجينية، وهي فئة من الخوارزميات في الحساب التطوري، لتحسين أداء وكفاءة أنظمة التداول المحوسبة. ليس الغرض هنا تقديم مبرر نظري أو تجريبي للتحليل الفني. نحن نبرهن على نهجنا في مهمة التنبؤ الخاصة استنادا إلى أسواق الأوراق المالية الناشئة. وتنظم هذه الورقة على النحو التالي عرض العمل السابق في القسم 2 ويرد وصف مجموعة البيانات ومنهجيتنا في القسم 3 وتناقش النتائج التجريبية في القسم 4 الاستنتاجات يلي القسم 5.2 العمل السابق. هناك جسم كبير من عمل غا في مجال علوم الكمبيوتر والهندسة المجالات ولكن تم القيام بعمل قليل بشأن مجالات الأعمال ذات الصلة لاتيرلي، ر وقد كان هناك اهتمام متزايد في استخدام غا في الاقتصاد المالي، ولكن حتى الآن كان هناك القليل من البحوث بشأن التداول الآلي. لدينا علم أول ورقة نشرت ربط الخوارزميات الجينية للاستثمارات كانت من بور و ليبينز 4 باور 5 في كتابه الخوارزميات الجينية واستراتيجيات الاستثمار قدمت إرشادات عملية بشأن كيفية استخدام غاس لوضع استراتيجيات تجارية جذابة على أساس المعلومات الأساسية ويمكن توسيع هذه التقنيات بسهولة لتشمل أنواع أخرى من المعلومات مثل البيانات الفنية والاقتصادية الكلية وكذلك الأسعار الماضية. وفقا ل ألين وكارجالينن 1 الخوارزمية الجينية هي الطريقة المناسبة لاكتشاف قواعد التداول الفنية فرنانديز-رودريغيز وآخرون 11 من خلال اعتماد الخوارزميات الجينية الأمثل في قاعدة تداول بسيطة توفر أدلة على الاستخدام الناجح لل غاس من بورصة مدريد بعض الدراسات الأخرى المهتمة هي تلك التي كتبها محفوظ وماني 18 الذي قدم نظاما جديدا يستند إلى خوارزمية وراثية و أب كبل ذلك إلى مهمة التنبؤ الأداء المستقبلي للأسهم الفردية من قبل نيلي وآخرون 21 و أوسيدين وآخرون 22 التي تطبق البرمجة الجينية للتنبؤ النقد الأجنبي وأفادت بعض النجاح. واحد من المضاعفات في غا الأمثل هو أنه يجب على المستخدم تحديد مجموعة من المعلمات مثل معدل كروس، وحجم السكان ومعدل الطفرة وفقا ل دي جونغ 10 الذين درسوا الخوارزميات الجينية في وظيفة الأمثل أداء جيد غا يتطلب ارتفاع كروس احتمال يتناسب عكسيا مع حجم السكان ومعتدل حجم السكان غولدبيرغ 12 و ماركيلوس 19 اقتراح أن مجموعة من المعلمات التي تعمل بشكل جيد عبر العديد من المشاكل هي معلمة كروس 0 6، وحجم السكان 30 ومعلمة طفرة 0 0333 قام باور 4 سلسلة من المحاكاة على مشاكل التحسين المالي وأكد صحة اقتراحات غولدبرغ الصورة في هذه الدراسة نحن سوف إجراء دراسة محاكاة محدودة عن طريق اختبار تكوينات المعلمة المختلفة ل نظام التداول المختار سوف نقدم أيضا دليلا للجمعية العامة المقترحة من خلال مقارنة أداتنا مع أدوات البرمجيات الأخرى 3. المنهجية. يتم تنفيذ منهجيتنا في عدة خطوات أولا، علينا أن ننفذ نظام التداول لدينا على أساس التحليل الفني في تطوير نظام التداول ، تحتاج إلى تحديد متى للدخول ومتى للخروج من السوق إذا كان المتداول في السوق المتغير الثنائي يساوي واحد خلاف ذلك هو صفر كما التجار موقف نحن أساس غالبية قراراتنا الدخول والخروج على الرسوم البيانية اليومية من خلال بناء مؤشر الاتجاه التالي ديمبيتا يحسب هذا المؤشر انحراف الأسعار الحالية عن المتوسط ​​المتحرك للطول يمكن للمؤشرات المستخدمة في نظام التداول لدينا أن تكون رسمية كما أدناه. وهو سعر إغلاق الصندوق في الوقت والوظيفة تحسب موفاف المتوسط ​​المتحرك البسيط المتغير إغلاق مع طول الوقت. يتكون نظام التداول لدينا من اثنين من المؤشرات، مؤشر ديمبيتا والمتوسط ​​المتحرك من ديمبيتا التي قدمها بعد المعادلة. إذا عبر صعودا ثم أدخل طويلا في السوق أي إشارة شراء إذا عبر أسفل إلى أسفل ثم إغلاق موقف طويل في السوق أي إشارة بيع. ثانيا، علينا أن نحسن استراتيجية التداول لدينا ومن المعروف أن تعظيم وظائف موضوعية مثل الربح أو الثروة يمكن تحسين نظم التداول وظيفة الهدف الأكثر طبيعية للتاجر غير حساس للخطر هو الربح في أداة البرمجيات لدينا نعتبر الأرباح المضاعفة الأرباح المضاعفة مناسبة عندما يتم استثمار جزء ثابت من الثروة المتراكمة في كل تجارة طويلة في برنامجنا لا قصيرة يسمح بالمبيعات ويتم تحديد عامل الرافعة المالية عند الثبات في الوقت المحدد بالصيغة التالية. إلى أين يتم تحقيق العائد للفترة المنتهية في الوقت المحدد، هي تكاليف المعاملة وهو متغير وهمية ثنائي يشير إلى موقف طويل أو لا أي 1 أو 0 ويعطى الربح عن طريق طرح من الثروة النهائية الثروة الأولية. تحسين النظام ينطوي على إجراء اختبارات متعددة ث على حد سواء متفاوتة المعلمات واحد أو أكثر، ضمن قواعد التداول عدد الاختبارات يمكن أن تنمو بسرعة ميتاستوك هائلة لديها بحد أقصى 32 000 الاختبارات في فينتراديتول 23 لا يوجد حد، ومع ذلك، على معالجة الوقت اعتمادا على نظام الكمبيوتر المستخدمة في هذا بحثنا في إمكانية حل مشكلة التحسين باستخدام الخوارزميات الجينية. الخوارزميات الجينية غاس التي تم تطويرها من قبل هولندا 13 تشكل فئة من تقنيات البحث والتكيف والتحسين على أساس مبادئ التطور الطبيعي. الخوارزميات الجينية تستجيب بشكل جيد لمشاكل التحسين لأن من المعروف أنها تظهر متانة ويمكن أن تقدم مزايا كبيرة في منهجية الحل والأداء الأمثل غاس تختلف عن إجراءات التحسين والبحث الأخرى في بعض النواحي أولا، أنها تعمل مع ترميز مجموعة المعلمة، وليس المعلمات أنفسهم لذلك غاس يمكن التعامل بسهولة المتغيرات الثنائية الثانية، غاس البحث من عدد السكان من النقاط، وليس كما إنغل بوينت لذلك غاس يمكن أن توفر مجموعة من الحلول المثلى عالميا وأخيرا، غاس استخدام فقط معلومات الوظيفة الموضوعية، وليس المشتقات أو غيرها من المعرفة المساعدة لذلك غاس يمكن التعامل مع الوظائف غير المستمرة وغير التفاضلية التي توجد في الواقع في مشكلة الأمثل العملية .4 GATradeTool. In المقترحة GATradeTool. In غاتراديتول خوارزمية جينية تعمل على مجموعة من الحلول المرشحة ترميز، يتم ترميز كل متغير قرار في مجموعة المعلمة كسلسلة ثنائية وكلها متسلسلة لتشكيل كروموسوم تمثيل كروموسوم هو ناقلات عنصرين تحتوي على، المعلمات في التشفير الوراثي الخبيث دقة التمثيل الثنائي هي ثماني بتات لكل معلمة أي 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1 تبدأ بمجموعة من التخمينات المبنية عشوائيا يتم تقييم هؤلاء المرشحين للحلول من حيث وظيفة هدفنا إق 4 من أجل الحصول على الأمثل كل تبادل كروموسوم المعلومات باستخدام مشغلي أي حساب إيك كروس 1 اقترضت من علم الوراثة الطبيعي لإنتاج حل أفضل. وظيفة الهدف يستخدم إق 4 لقياس كيفية أداء الأفراد في مجال المشكلة في حالتنا، فإن الأفراد الأكثر ملاءمة يكون لها أعلى قيمة عددية من وظيفة الهدف المصاحبة و وظيفة اللياقة البدنية يحول القيم وظيفة الهدف الخام إلى أرقام غير سالبة من الجدارة لكل فرد الأداة تدعم طريقة المقاصة والتحجيم من غولدبرغ 12 وخوارزمية الترتيب الخطي من بيكر 3. لدينا تقنية الاختيار توظف آلية عجلة الروليت لتحديد الاحتمالية الأفراد استنادا إلى أدائهم يتم تحديد قيمة الفاصل الزمني الحقيقي قيمة مجموع القيم اللياقة البدنية الصف على جميع الأفراد في السكان الحاليين ثم يتم تعيين الأفراد واحد إلى واحد في فترات متجاورة في النطاق 0، سوم حجم كل فرد الفاصل الزمني يتطابق مع قيمة اللياقة البدنية للفرد المرتبطة لتحديد شخص خدر عشوائي r يتم توليدها في الفاصل الزمني 0، المجموع والفرد الذي يمتد على شريحة يتم اختيار عدد عشوائي وتكرر هذه العملية حتى تم اختيار العدد المطلوب من الأفراد 26 وقد سمح لهؤلاء المرشحين للمشاركة في كروس حسابية، الإجراء الذي يجمع بين واعدة المرشحين من أجل خلق الجيل القادم وقد تكررت هذه الخطوات حتى يتم استيفاء معيار محدد جيدا لأن الجمعية العامة هو طريقة البحث العشوائي، فمن الصعب تحديد معايير التقارب رسميا كما أن لياقة السكان قد تبقى ثابتة لعدد من الأجيال قبل أن يتم العثور على فرد متفوق، وتطبيق معايير إنهاء التقليدية يصبح إشكالية ونتيجة لذلك اقترحنا تحقيق عدد معين من التكرارات كمعيار إنهاء يمكن عرض خوارزمية لدينا الجينية في الإطار التالي .5 النتائج التجريبية. في هذا القسم ، ونحن نطبق منهجيتنا في صندوق الاستثمار أوبس الاستثمار في أسواق الأسهم الناشئة 2 البيانات التي تم تحليلها تتكون من 2800 ملاحظة عن أسعار الإقفال اليومية لهذا الصندوق للفترة 1 5 98 25 6 04 يتم تحديد فترة التحسين بين 1 5 98 إلى 25 6 03 تم تقييم النظام الأمثل خلال الفترة الممتدة 25 6 03 25 6 04. يتم تعيين مشكلة التحسين لتحديد أطوال مثلى لمؤشر ديمبيتا ومتوسطه المتحرك لنموذج ديمبيتا البسيط الذي سيعظم الأرباح أولا، سيتم دراسة تأثير تكوينات المعلمة غا المختلفة بشكل أكثر تحديدا نحن مهتمون بقياس تأثير حجم السكان ومعلمة كروس في أداء إجراء التحسين القائم على الخوارزمية الجينية بناء على توصيات غولدبيرغ s 12 و باور 4، يجب أن يكون حجم السكان مساويا ل 30 وينبغي أن يكون معدل كروس 0 0 القيم الافتراضية عدد من التكرارات إلى 300 لجميع المحاكاة الثانية، قارنا الحلول لمشكلة التحسين التي أجرتها أدوات البرمجيات المختلفة من أجل قياس صحة غاتراديتول المقترحة. الخيار 1 يوفر نتائج التحسين غا لأحجام مختلفة من السكان يظهر الصف الأول من الجدول أفضل المعلمات لمؤشر ديمبيتا والمتوسط ​​المتحرك لديمبيتا من أجل قياس تأثير حجم السكان في أفضل حل ندرس سلسلة من الإحصاءات المختلفة الحل مع الحد الأقصى والحد الأدنى للعائد، ومتوسط ​​العائد، والانحراف المعياري لهذه الحلول، والوقت اللازم لتقارب الخوارزمية، ومؤشر كفاءة محسوبة بقسمة الحد الأقصى حل العودة من قبل الانحراف المعياري للحلول. الخيار 1 تأثير حجم السكان. من خلال النظر في الجدول 1 يمكننا القول أنه طالما قمت بزيادة حجم السكان أفضل ومتوسط ​​الحلول أعلى ومع ذلك، بعد أن انخفض عدد السكان من 30 انخفض الأداء في النظام أن تأخذ في الاعتبار التكاليف الحسابية المعنية منذ الزيادة في حجم السكان، ونحن حساب الوقت اللازم لحل مشكلة انخفاض حجم السكان يؤدي إلى انخفاض الأداء وانخفاض وقت الانتهاء وفقا لمؤشر كفاءة الحل الأفضل هو أن يعطى من قبل حجم السكان 20. من أجل إنشاء قاعدة أداء الخوارزمية، أجريت 30 محاكمة للجمعية العامة، مع مختلف السكان بدءا عشوائي لكل محاكمة الشكل 1A يبين كيف تحسن الأداء مع مرور الوقت عن طريق التآمر متوسط ​​الحد الأقصى للياقة البدنية كنسبة مئوية من القيمة المثلى مقابل رقم الجيل نحن أول القبض على قيمة اللياقة البدنية القصوى لكل من التجارب 30 يتم ذلك لكل جيل و كل محاكمة نحن ثم متوسط ​​القيم اللياقة البدنية القصوى وقسمة هذا العدد من القيمة المثلى للياقة البدنية، والتي تم الحصول عليها عن طريق البحث التعدادي أداة فينتريد، 23 هذا أعطانا متوسط ​​اللياقة البدنية القصوى كنسبة مئوية من القيمة المثلى لكل جيل. فيغ 1a المعلمة قاعدة نسبة مئوية من الأمثل. كما يمكن أن يرى في الشكل 1A متوسط ​​الحد الأقصى للياقة البدنية من الجيل الأول هو حوالي 74 من الخامس الأمثل ومع ذلك، من خلال الجيل الخمسين، وقد وجدت الخوارزمية عادة على الأقل حل واحد كان في غضون 90 من القيمة المثلى بعد جيل الخمسين، يمكن أن الحل يمكن أن تصل إلى 98 من القيمة المثلى. مع مقاييس الأداء من إعدادات قاعدة لدينا كمرجع قمنا بدراسة الاختلافات المحتملة في الإجراء الأساسي قمنا بدراسة تأثير التغيرات في حجم السكان ومعدل التقاطع لكل إعداد معلمة مختلفة قمنا بإجراء 30 تجربة للخوارزمية ومن ثم قارنت الرسوم البيانية لمتوسط ​​اللياقة القصوى مع تلك التي تم الحصول عليها من أجل في البداية، حاولنا معدلات كروسفر 0 4 و 0 8 وتظهر النتائج في الشكل 1b والشكل 1c التي تشبه الشكل 1a ونتيجة لذلك المعلمات كروس لا تؤثر على الحل الأمثل لدرجة حرجة ومع ذلك، فإن النتائج هي مختلفة عندما نقوم بتغيير حجم السكان وفقا للشكل 1d والشكل 1e مع حجم صغير من السكان كان لدينا نتائج أكثر فقرا من مع عدد كبير من السكان عندما اخترنا 80 ب حجم العبوات حققنا عوائد عالية في الأجيال الأولى. فيغ 1b كروسوفر 0 40 في المئة من optimal. Fig 1C كروس 0 0 في المئة من optimal. Fig 1d السكان 80 في المئة من optimal. Fig 1e السكان 20 في المئة من الأمثل. من خلال النظر في الجدول 2 لك يمكن مقارنة نتائج تحسين نظام التداول لدينا باستخدام ثلاثة أدوات البرمجيات المختلفة الصف الأول يعطي نتيجة ل غاتراديتول ضد ميتاستوك و فينتراديتول 23 لدينا أداة البرمجيات المقترحة غاتراديتو ل يمكن حل مشكلة التحسين بسرعة كبيرة دون أي قيود محددة حول عدد الاختبارات الكلية الحد الأقصى لعدد الاختبارات التي يمكن إجراؤها في برنامج ميتاستوك هو 32 000 و فينتراديتول يحتاج إلى مزيد من الوقت من أجل إيجاد الحل الأمثل الحل المقدم من قبل غاتراديتول على مقربة من الحل الأمثل لل FinTradeTool. Table 2 مقارنة بين ثلاثة أدوات البرمجيات المختلفة. المعلمات الأمثل ديمبيتا موفاف ديمبيتا. أنظمة التداول مع المعلمات المثلى التي تم العثور عليها في الفترة 1 5 98 25 6 03 تم اختبارها في فترة التقييم 25 6 03 25 6 04 تم زيادة أداء نظام التداول لدينا في جميع أدوات البرمجيات ومع ذلك، يجب أن تعتبر تكلفة الوقت على محمل الجد العمود 4.Fig 2 يصور تطور الحد الأقصى والحد الأدنى ومتوسط ​​العائد عبر 300 أجيال لديمبيتا نظام التداول حجم السكان 80، معدل كروس 0 0 ويمكن ملاحظة أن العائد الأقصى لديه اتجاه إيجابي ويبدو أن مستقرة نسبيا بعد 150 أجيالا وتحركات في نطاق ما بين 1 2 و 1 أي 120 100 عودة للحد الأدنى من اللياقة البدنية لا يوجد نمط يبدو أن الوجود بالنسبة لمتوسط ​​السكان يعود اتجاه تصاعدي واضح يمكن العثور عليها في 180 الأجيال الأولى، وهذا يدل على أن عموما تحسين اللياقة البدنية للسكان مع مرور الوقت فيما يتعلق بتقلب الحلول، والانحراف المعياري للحلول بعد زيادة في الأجيال الأولى يستقر في نطاق ما بين 0 3 و 0 6 توفير إيفيد من مجموعة مستقرة وفعالة من الحلول. فيغ 2 تطور العديد من الإحصاءات أكثر من 300 أجيال. فيغ 3 يوفر مؤامرة ثلاثية الأبعاد من الحلول المثلى التي قدمها غاتراديتول في محاور ولدينا المعلمات، لمؤشر ديمبيتا وتحريكه متوسط ​​محور 2 يظهر عودة نظام التداول ديمبيتا للمعلمات المثلى المحددة كما يمكن أن يكون مفهوما بسهولة أداة لدينا يوفر مجالا من الحلول المثلى على النقيض من فينتراديتول التي توفر فقط أفضل حل. فيغ 3 A 3-D مؤامرة من في حين أن التحليل الفني يستخدم على نطاق واسع كنهج استثماري بين الممارسين أو الأكاديميين، نادرا ما تركز على مسألة الأمثل المعلمة ليس من دورنا للدفاع عن التحليل الفني هنا، على الرغم من أن نتائجنا تبين أن هناك بعض القدرة على التنبؤ في صندوق أوبس المشترك الاستثمار في أسواق الأسهم الناشئة على أساس البيانات التاريخية وحدها هدفنا الرئيسي في هذه الورقة هو توضيح أن الجديد التكنولوجيا من ماتلاب يمكن استخدامها من أجل تنفيذ أداة خوارزمية جينية التي يمكن أن تحسن الاستفادة المثلى من نظم التداول التقنية. وتظهر نتائجنا التجريبية أن غاتراديتول يمكن أن تحسن التجارة الرقمية من خلال توفير بسرعة مجموعة من الحلول الأمثل القريب فيما يتعلق بتأثير تكوينات المعلمة غا مختلفة ، وجدنا أن زيادة في حجم السكان يمكن أن تحسن أداء النظام المعلمة من معدل كروس لا يؤثر على محمل الجد نوعية الحل. من خلال مقارنة الحلول لمشكلة الأمثل التي أجرتها أدوات البرمجيات المختلفة، وجدنا أن غاتراديتول يمكن أداء أفضل، من خلال توفير سريع جدا مجموعة من الحلول المثلى التي تقدم الاتساق طوال فترة التقييم. في النهاية، سيكون من المثير للاهتمام لمزيد من البحث لاختبار سلسلة من أنظمة مختلفة من أجل رؤية العلاقة بين الخوارزمية الجينية وأداء النظام في وقت من التغيرات المتكررة في الأسواق المالية والباحثين و تر يمكن أن أدرس اختبار بسهولة نظم محددة في غاتراديتول من خلال تغيير فقط وظيفة التي تنتج إشارات التداول. وقد كانت هذه الورقة البحثية جزءا من البحوث ما بعد الدكتوراه من الدكتور S بابادامو التي تم تمويلها من قبل مؤسسة المنح الدراسية الحكومية إيكي اليونانية. آل ألين R Karjalainen. Using الخوارزميات الجينية للعثور على قواعد التداول الفنية. جريدة الاقتصاد الاقتصادي المجلد 51 1999 ب 245 271.HL ألين مب تايلور. استخدام التحليل الفني في سوق الصرف الأجنبي. جورنال أوف إنترناشونال ماني أند فينانس المجلد 11 1992 ب 303 314.JE بيكر ، طرق التكيف التكيف للخوارزميات الجينية، في وقائع المؤتمر الدولي الأول على الخوارزميات الجينية، 1985، ص 101 111.RJ باور غي Lipins. Genetic خوارزميات واستراتيجيات التداول المحوسبة. إكسيرت نظم في المالية ديو ليري بيأر واتكينز 1992 إلزيفير العلوم الناشرون، أمستردام، هولندا. الخوارزميات الجينية واستراتيجيات الاستثمار. 1994 جون ويلي سونس، المؤتمر الوطني العراقي، نيويورك. بروك J لاكونيشوك B ليب aron. Simple قواعد التداول الفني وخصائص ستوكاستيك من عوائد الأسهم. جورنال أوف فينانس المجلد 47 1992 ص 1731 1764.S براون W غوتزمان R إبوتسون S روس. التحيز التحيز في دراسات الأداء. استعراض الدراسات المالية المجلد 5 1992 ص 553 580. S براون W غوتزمان S Ross. Journal أوف فينانس المجلد 50 1995 ب 853 873.YW تشيونج سيب وونغ. أداء قواعد التداول على أربعة أسعار صرف العملات الآسيوية. مجلة المالية متعددة الجنسيات المجلد 1 1997 ص 1 22.K دي جونغ، تحليل من سلوك فئة من النظم التكيفية الوراثية، جامعة ف دي ديس ميشيغان، جامعة ميكروفيلمز لا 76-9381، 1975.F فرنانديز-رودريغيز، C غونزليز مارتل، S سوسفيلا-ريفيرو، وتحسين القواعد الفنية من قبل الأدلة الخوارزميات الجينية من سوق الأوراق المالية في مدريد، أوراق العمل 2001-14، فيديا، 2001.DE خوارزميات Goldberg. Genetic في البحث والتحسين وآلة التعلم .989 أديسون-ويسلي. التكيف في النظام الطبيعي والاصطناعي. 19775 جامعة ميشيغان Press. N جيغاد إيش S تيتمان. إعادة شراء الفائزين وبيع الخاسرين انعكاسات على كفاءة سوق الأسهم. مجلة المالية المجلد 48 العدد 1 1993 ص 65 91. نظم وأساليب تجارة السلع الجديدة. 1987 جون وايلي سونس. فاد، مارتينغالس، وكفاءة السوق. كوارتيرلي جورنال أوف إكونوميكس المجلد 105 1990 ب 1 28.AW لو أس ماكينلاي. عندما تكون أرباح مناقضة بسبب التباطؤ في سوق الأوراق المالية. إعادة النظر في الدراسات المالية المجلد 3 1990 ب 175 206.S محفوظ G ماني. التنبؤ المالي باستخدام الخوارزميات الجينية. الذكاء الاصطناعي التطبيقي المجلد 10 العدد 6 1996 ص 543 565.RN ماركيلوس نظم التداول الآجلة. مجلة الذكاء الحسابي في المالية المجلد 5 العدد 6 1997 ص 5 10.L مينخوف M شلمبرجر. الربحية المحتملة للتحليل الفني لأسواق الصرف الأجنبي. كوارتيرلي ريفيو فولوم 193 1995 ب 189 216.C نيلي، P ويلر، R ديتمار، هو التحليل الفني في سوق الصرف الأجنبي مربحة نهج البرمجة الوراثية، في C دونيس، B رو مناقصة، محاضر، وقائع، والتنبؤ الأسواق المالية السلف لأسعار الصرف، وأسعار الفائدة وإدارة الأصول، لندن، 1997.M أوسيدين B شوبارد O بيكتيت M توماسيني. الجوانب العملية والخبرات البرمجة الجينية المتوازية وتطبيقه على نموذج التداول الاستقراء. الحوسبة المتوازية المجلد 23 العدد 8 1997 ص 1183 1198. بابادامو G ستيفانيدس. أدوات جديدة مبنية على ماتلاب للكمبيوتر بمساعدة التجارة الفنية الديناميكية. أخبار الهندسة المالية العدد 31 2003. بابادامو S Tsopoglou. Investigating ربحية نظم التحليل الفني على الخارجية أسواق الصرف. إدارة الشؤون المالية المجلد 27 العدد 8 2001 ب 63 78.FM ويرنر D بوند R ثالر. مزيد من الأدلة على رد الفعل المفرط للمستثمرين والموسمية سوق الأسهم. جورنال أوف فينانس المجلد 42 العدد 3 1987 ب 557 581.D ويتلي، ذي جينيتور خوارزمية و ضغط الاختيار لماذا تعتبر مخصصات التجارب التناسلية المرتكزة على الرتبة أفضل، في وقائع المؤتمر الدولي الثالث حول الخوارزميات الجينية ، 1989، ب 116 121.Arithmetic كروز نقطة واحدة، ينطوي بشكل عشوائي قطع اثنين من السلاسل في نفس الموقف سلسلة عشوائيا تحديدها ثم مبادلة أجزاء الذيل كروس يمتد البحث عن حلول جديدة في الاتجاهات بعيدة المدى. هيكل هذا الصندوق و موقفها الرئيسي في 25 6 2004 مبينة في الشكل التالي. حقوق الطبع والنشر 2007 إلزيفير المحدودة جميع الحقوق محفوظة.