Moving Media Genetico Algoritmo

Utilizzando algoritmi genetici per Previsione finanziaria Markets. Burton suggerito nel suo libro, A zonzo per Wall Street, 1973, Una scimmia bendato lanciando freccette a pagine finanziarie dei giornali una s potrebbe selezionare un portafoglio che farebbe altrettanto bene come uno accuratamente selezionati da Mentre gli esperti evoluzione può aver fatto l'uomo più intelligente in stock picking, la teoria di Charles Darwin s ha molto efficace se applicato in modo più diretto per aiutarvi a scegliere le scorte, controllare Come scegliere un Stock. What sono genetiche Algorithms. Genetic algoritmi di gas sono problema risolvendo metodi o euristica che imitano il processo di evoluzione naturale a differenza delle reti neurali artificiali RNA, progettati per funzionare come i neuroni nel cervello, questi algoritmi utilizzano il concetto di selezione naturale per determinare la migliore soluzione per un problema di conseguenza, il gas sono comunemente utilizzati come ottimizzatori che regolano i parametri per minimizzare o massimizzare qualche misura il feedback, che possono poi essere utilizzati in modo indipendente o per la costruzione di un ANN. In mercati finanziari algoritmi genetici sono più comunemente utilizzati per trovare i migliori valori combinazione di parametri in una regola di trading, e essi possono essere incorporati in modelli ANN progettati per raccogliere le scorte e identificare i commerci Diversi studi hanno dimostrato che questi metodi possono rivelarsi efficaci, tra cui algoritmi genetici genesi di azioni di valutazione 2004 da Rama, e le applicazioni degli algoritmi genetici nel mercato azionario di Data Mining Ottimizzazione 2004 con Lin, Cao, Wang, Zhang per ulteriori informazioni su ANN, vedere Reti neurali Previsione algoritmi Profits. How algoritmi genetici Work. Genetic sono creati matematicamente usando vettori, che sono quantità munite direzione e la grandezza Parametri per ogni regola di trading sono rappresentati con uno dimensionale vettore che può essere pensato come un cromosoma in termini genetici nel frattempo, i valori utilizzati in ogni parametro possono essere pensate come geni, che sono poi modificati utilizzando ad esempio selection. For naturale, una regola di trading può comportare l'uso di parametri come Moving Average Convergence-Divergence MACD media mobile esponenziale EMA e Stocastico un algoritmo genetico sarebbe quindi valori di input in questi parametri con l'obiettivo di massimizzare l'utile netto nel corso del tempo, vengono introdotti piccoli cambiamenti e quelli che fanno un impatto preferibilmente vengono mantenute per la prossima generazione. ci sono tre tipi di operazioni genetiche che possono poi essere performed. Crossovers rappresentano la riproduzione ed attraversamento biologica visto in biologia, per cui un bambino assume certe caratteristiche dei suoi parents. Mutations rappresentano mutazione biologica e sono utilizzati per mantenere la diversità genetica da una generazione di una popolazione all'altra introducendo piccole changes. Selections casuali sono la fase in cui i singoli genomi sono scelti da una popolazione per la successiva ricombinazione riproduzione o crossover. These tre operatori vengono quindi utilizzati in cinque fasi process. Initialize una popolazione casuale, dove ogni cromosoma è n - LUNGHEZZA, con n è il numero di parametri che è, un numero casuale di parametri sono stabiliti con n elementi each. Select cromosomi, o parametri, che aumentano i risultati desiderabili presumibilmente mutazione o di crossover operatori netti profit. Apply a i genitori selezionati e generare un offspring. Recombine prole e la popolazione corrente per formare una nuova popolazione con la selezione operator. Repeat passaggi due a four. Over tempo, questo processo si tradurrà in cromosomi sempre favorevoli o, parametri per l'utilizzo in un trading governare il processo viene terminato quando un criterio di arresto è soddisfatti, che possono includere tempo di esecuzione, il fitness, il numero di generazioni o altri criteri per maggiori informazioni sul MACD, leggere trading MACD Divergence. Using Genetic Algorithms in Trading. While algoritmi genetici sono utilizzati principalmente da parte dei commercianti quantitative istituzionali singoli operatori possono sfruttare la potenza degli algoritmi genetici - senza una laurea in matematica avanzata - utilizzando diversi pacchetti software sul mercato Queste soluzioni vanno da pacchetti software standalone orientate verso i mercati finanziari a Microsoft Excel add-on che possono facilitare più hands-on analysis. When che utilizzano queste applicazioni, gli operatori possono definire una serie di parametri che vengono poi ottimizzati utilizzando un algoritmo genetico e una serie di dati storici Alcune applicazioni in grado di ottimizzare i parametri utilizzati ei valori per loro, mentre altri sono principalmente focalizzati sulla semplicemente ottimizzando i valori per un dato insieme di parametri per ulteriori informazioni su queste strategie programma derivato, vedere la potenza di Programma Trades. Important suggerimenti per l'ottimizzazione e il montaggio Overfitting Tricks. Curve, la progettazione di un sistema di negoziazione intorno a dati storici, piuttosto che identificare il comportamento ripetibile , rappresenta un potenziale rischio per i commercianti che utilizzano algoritmi genetici Qualsiasi sistema di scambio di utilizzare il gas dovrebbe essere previsionali testati su carta prima di parametri usage. Choosing dal vivo è una parte importante del processo, e gli operatori devono cercare i parametri che correlano alle variazioni del prezzo del un determinato titolo, ad esempio, provare diversi indicatori e vedere se qualcuno sembrano correlare con i principali mercati algoritmi turns. Genetic sono modi unici per risolvere problemi complessi sfruttando la potenza della natura applicando questi metodi per la previsione dei prezzi dei titoli, gli operatori possono ottimizzare il commercio regole identificando i migliori valori da utilizzare per ogni parametro per un determinato titolo Tuttavia, questi algoritmi non sono il Santo Graal, e gli operatori devono fare attenzione a scegliere i giusti parametri e non la curva in forma più adatta per saperne di più sul mercato, il check-out ascoltare il mercato, non il suo tasso di interesse Pundits. The al quale un istituto di deposito presta fondi mantenuti presso la Federal Reserve ad un altro depositario institution.1 una misura statistica della dispersione dei rendimenti per un dato titolo o indice di mercato volatilità può essere misurata. an agire il Congresso americano ha approvato nel 1933 la legge sulle banche, che proibiva alle banche commerciali di partecipare al libro paga investment. Nonfarm si riferisce a qualsiasi lavoro al di fuori delle aziende agricole, abitazioni private e il settore no-profit l'US Bureau of Labor. The sigla moneta o simbolo di valuta per l'INR rupia indiana, la valuta indiana la rupia è costituito da 1.An offerta iniziale delle attività di una società fallita s da un acquirente interessato scelto dalla società fallita da un pool di bidders. Genetic algoritmo in R trend following. would essere magazzino Facebook strategia mobile esponenziale PARAMA 10 regole media strategia paramB 45.The sono semplici, se il movimento Parama media lunghezza in movimento paramB media lunghezza poi andare a lungo, e vice versa. The gene function. A fitness è quantificato come un bene o gene difettoso con una palestra funzione Il successo di una strategia di trading genetica dipende in larga misura dalla vostra scelta di funzione di fitness e se ha senso con le strategie che si intende utilizzare potrai scambiare ciascuna delle strategie delineate dai vostri geni attivi e poi classificarli per la loro idoneità un buon punto di partenza sarebbe quello di utilizzare il rapporto tagliente quanto riguarda l'idoneità function. You bisogno di stare attenti che si applica la funzione di fitness di dati statisticamente significativi ad esempio se è stata utilizzata una strategia di ritornare media che potrebbe scambiare una volta al mese o cosa mai la finestra di riqualificazione è, allora la vostra forma fisica è determinata da 1 o 2 datapoints Questo si tradurrà in scarsa ottimizzazione genetica nel mio codice io ho commentato un test media strategia di reversione per te in genere ciò che accade è il tuo indice di Sharpe da 2 datapoints è molto molto alta solo questione di fortuna è quindi contrassegnare questo come un buon gene e il commercio è il mese successivo con terribile results. Breeding Genes. With un algo genetica è necessario allevare i geni, per il resto di questo post i ll presumo che si sta allevando una volta Durante il mese di allevamento si prende tutti i geni nel pool genico e classificarli in base alla funzione di fitness quindi si seleziona i migliori geni N e allevarli scarta tutti gli altri geni si ri di non use. Breeding si compone di due parts. Hybridisation Prendere un gene e tagliare un pezzo fuori di esso, è possibile utilizzare qualsiasi generatore di numeri casuali che si desidera determinare le posizioni di taglio, scambiare questo pezzo con un corrispondente pezzo da un altro gene. Eg Vecchio gene 00 1100 10 e 11 1001 10 rosso è il caso selezionare i bit di tagliare nuovo gene 00 1001 10 e 11 1100 10.You fare questo per ogni possibile coppia di geni in alto N list. Mutation Dopo ibridazione passare attraverso tutti i geni e in modo casuale capovolgere il bit con una probabilità fissa La mutazione impedisce al strategia da ottenere bloccato in un gene ogni contrazione pool. For una spiegazione più dettagliata con diagrammi si rinvia. scorrere verso il basso per algoritmi genetici e la sua applicazione in Trading. Annualized Sharpe Ratio Rf 0 1 Problemi 15.Mathematical in Engineering. Generating Moving Regole medio di scambi sul mercato dei futures del petrolio con Genetic Algorithms.1 Facoltà di Lettere e gestione economica, Cina Università di Geoscienze , Pechino 100083, Cina 2 Laboratorio chiave di trasporto Valutazione della Capacità di risorse e ambiente, Ministero della Terra e delle Risorse, Pechino 100083, Cina 3 Laboratorio di risorse e di gestione ambientale, Cina Università di Geoscienze, Pechino 100083, Cina 4 Istituto di Cina s economica riforma e lo sviluppo, Renmin University of China, Pechino 100872, China. Received 19 febbraio 2014 Revised 4 maggio 2014 Accepted 7 maggio 2014 Pubblicato 26 maggio 2014.Academic Editor Wei Chen. Copyright 2014 Lijun Wang ed altri Questo è un articolo ad accesso libero distribuito sotto la Licenza creative Commons Attribution che consente l'uso senza restrizioni, la distribuzione e la riproduzione con qualsiasi mezzo, a condizione che l'opera originale è correttamente cited. The mercato dei futures del petrolio greggio ha un ruolo fondamentale nella finanza di energia per ottenere una maggiore ritorno degli investimenti, studiosi e commercianti utilizzare indicatori tecnici quando si seleziona strategie di trading nel mercato dei futures del petrolio in questo articolo, gli autori hanno usato lo spostamento prezzi medi dei future sul petrolio con algoritmi genetici per generare regole di trading profittevoli abbiamo definito gli individui con diverse combinazioni di lunghezze d'epoca e metodi di calcolo come muoversi regole medio di scambi e utilizzati algoritmi genetici per cercare le lunghezze adatte di media mobile periodi e metodi di calcolo appropriate gli autori hanno utilizzato tutti i giorni i prezzi del petrolio greggio dei contratti future NYMEX dal 1983 al 2013 per valutare e selezionare lo spostamento regole medi Abbiamo confrontato le regole di negoziazione generati con il buy-and-hold BH strategia per determinare se ha generato lo spostamento regole medio di scambi possono ottenere rendimenti superiori nel mercato greggio future sul petrolio Attraverso 420 esperimenti, stabiliamo che le regole commerciali generati aiutare i commercianti fanno profitti quando ci sono evidenti fluttuazioni di prezzo generato regole di trading in grado di realizzare rendimenti superiori quando falls prezzo e sperimenta fluttuazioni significative, mentre la strategia BH è migliore quando gli aumenti dei prezzi o è liscia con poche fluttuazioni I risultati possono aiutare gli operatori scelgono le strategie migliori in diversi circumstances.1 Introduction. Energy è di vitale importanza per le attività di sviluppo economico per uso domestico, la produzione industriale e investimenti infrastrutturali tutti consumare energia direttamente o indirettamente, non importa in paesi in via di sviluppo o sviluppati 1 Problemi relativi agli scambi di energia 2, l'efficienza energetica 3, la politica energetica 4 6, il consumo di energia 7, e la finanza di energia 8 hanno ricevuto più importanza negli ultimi anni greggio mercato dei futures del petrolio è una parte cruciale della finanza energia nell'ambito dell'energia globale commercianti del mercato e ricercatori utilizzano strumenti di analisi tecnica per individuare regole di negoziazione lucrative nei mercati finanziari di conseguenza, lo spostamento degli indicatori medi sono comunemente utilizzati in analisi tecnica di attualizzare maggiori rendimenti Questo documento tenta di rispondere se nella vita reale un investitore può utilizzare lo spostamento regole medio di scambi tecnici di ottenere rendimenti in eccesso attraverso la ricerca per lo spostamento proficuo regole medio di scambi con gli algoritmi genetici nelle future sul petrolio greggio algoritmi market. Genetic sono ampiamente utilizzati nelle scienze sociali 9 10, soprattutto in certe questioni complesse dove è difficile effettuare calcoli precisi è una tendenza ad applicare metodi fisici o matematici dell'economia di energia e delle risorse 11 16 I ricercatori hanno richiesto algoritmi genetici per la previsione della produzione di carbone-inquinamento ambientale 17, la selezione e la selezione del mercato comportamento interno nel mercato 18, la domanda di greggio prevede 19, la minimizzazione dei costi del carburante e le emissioni gassose di generazione di energia elettrica 20, e il sistema di trading sul Forex 21 per quanto riguarda i problemi di analisi tecnica finanziaria, gli studiosi utilizzano algoritmi genetici per cercare migliori regole di negoziazione e redditizio indicatori tecnici quando prendono decisioni di investimento 22 25 gli algoritmi genetici sono combinati con altri strumenti come le reti basate su agenti modello 26, fuzzy teoria matematica 27, e neurali 28 ci sono anche alcuni studi che hanno utilizzato gli algoritmi genetici per prevedere l'andamento dei prezzi nel mercato finanziario 29 30 o il tasso di cambio del mercato dei cambi 31 Poiché vi sono un gran numero di regole di trading tecniche e gli indicatori tecnici disponibili nel mercato dei futures del petrolio greggio, non è pratico da usare calcoli ergodici o alcuni altri metodi di calcolo accurati Pertanto, utilizzando algoritmi genetici è un modo fattibile per risolvere questo issue. Moving indicatori medi sono stati ampiamente utilizzati negli studi di azioni e futures mercati 32 37 Due medie mobili di diverse lunghezze vengono confrontati per prevedere l'andamento dei prezzi in diversi mercati delle medie a breve in movimento sono più sensibili alle variazioni dei prezzi rispetto a quelli lunghi Se un prezzo medio breve movimento è superiore a un lungo periodo in movimento prezzo medio, gli operatori dovranno credere che il prezzo salirà e prendere posizioni lunghe quando il prezzo medio breve movimento cade e incrocia con quella lunga, attività di trading opposti saranno presi 38 Allen e Karjalainen AK 39 utilizzati algoritmi genetici per identificare le regole commerciali tecnici nei mercati azionari con prezzi giornalieri della SP 500 il prezzo media mobile è stata utilizzata come uno dei molti indicatori delle norme tecniche Altri indicatori, come ad esempio la media valore e il valore massimo, sono utilizzati anche quando si prendono decisioni di investimento Wang 40 ha condotto una ricerca simile sui mercati a pronti ea termine utilizzando programmazione genetica, mentre come 41 applicato il metodo AK s per le scorte cap diversi per determinare la rilevanza della dimensione William, mettendo a confronto diverse regole tecniche e regole artificiali ANN rete neurale in materia di mercato dei futures del petrolio, hanno determinato che la ANN è un buon strumento, gettando in tal modo in dubbio l'efficienza del mercato petrolifero 38 Tutti questi studi si combinano in movimento indicatori medi con altri indicatori per generare regole di negoziazione Tuttavia, in questo articolo , utilizziamo le medie mobili a generare regole di negoziazione, che può essere un semplice ed efficiente le prestazioni approach. The di un movimento regola il commercio medio è influenzato in modo significativo il periodo di lunghezze 42 di conseguenza, trovare le lunghezze ottimali dei due periodi di cui sopra è una questione centrale in analisi tecnica letteratura Una varietà di lunghezze sono stati provati in ricerca esistente proietta 43 48 nella ricerca attuale, la maggior parte del movimento regole medi utilizzo fisso in movimento lunghezza media del periodo e unico metodo di calcolo della media mobile Tuttavia, è meglio usare lunghezze variabili per gli investimenti diversi periodi 49 50 e ci sono diversi tipi di movimento metodo di calcolo media che possono essere utilizzati in analysis. In tecnica questo documento, tenendo conto che la lunghezza ottimale del movimento periodi medi e il miglior metodo di calcolo può variare da una volta in un'altra usiamo genetica algoritmi per determinare la lunghezza adeguata del periodo di media mobile e il metodo appropriato sei in movimento metodi di calcolo media sono considerati in questo documento e algoritmi genetici possono aiutarci a trovare le lunghezze metodo migliore e termine congruo per circostanze diverse di conseguenza, siamo in grado di presentare il più adatto in movimento regole medio di scambi per i commercianti in futures del petrolio greggio market.2 dati e method. we utilizzano i prezzi giornalieri del petrolio greggio contratto future 1 per il periodo 1983-2013 dall'origine dati New York Mercantile Exchange pri fut s1 selezioniamo 20 gruppi di dati di esempio, ognuno contenente 1000 prezzo giornaliero durante la 1000 prezzi giornalieri, una serie di prezzo 500 giorni è usato per addestrare regole di negoziazione in ogni generazione i 200 prezzi seguenti sono usati per selezionare la migliore regola di trading generati da tutte le generazioni , e gli ultimi 300 prezzi giornalieri vengono utilizzati per determinare se la regola generato può acquisire rendimenti in eccesso il primo gruppo inizia nel 1985, l'ultimo gruppo si conclude nel 2013, e viene selezionato ogni serie di prezzo da 1000 giorni con un passo di 300 Dobbiamo anche comprendono 500 prezzi più al giorno prima di ogni serie di campioni per calcolare i prezzi in movimento per il periodo di campionamento Così, ogni esperimento indipendente richiede una serie prezzo 1500 giorni i dati che utilizziamo sono presentati in regole di negoziazione medio Figura 1 1.Figure dati selection. Moving facilitare decisionale per i commercianti dal confronto di due medie mobili di varie epoche in questo modo, gli operatori possono prevedere l'andamento dei prezzi analizzando la volatilità dei mobili prezzi medi ci sono sei in movimento indictors media di solito utilizzati in analisi tecnica semplice media mobile SMA, mobile ponderata WMA media, mobile esponenziale EMA media, adattabile in movimento AMA media, prezzo tipico media mobile TPMA, e triangolari media mobile TMA I metodi di calcolo del movimento indicatori medi sono presentati nella tabella 1.Table 1 dettagli dei sei in movimento indicators. To media utilizzare un movimento regola il commercio media nel mercato dei futures del petrolio, almeno tre parametri devono essere impostati per stabilire una strategia di trading Questi parametri includono le lunghezze di due mobili periodi medi e la scelta del metodo della media mobile dai suddetti sei tipi Altri ricercatori hanno usato diversi lunghezze di periodi di esempio nei loro studi in questo documento, si utilizzano algoritmi genetici per determinare le lunghezze appropriate del periodo di media mobile Secondo la letteratura esistente, il lungo periodo è in genere tra i 20 ei 200 giorni pochi studi usano periodi di oltre 200 giorni 38 39 , e il breve periodo è generalmente non più lungo di 60 days. If il prezzo medio lungo è inferiore al prezzo medio breve, un commerciante avrà una posizione lunga Ne consegue che, in situazioni opposte, saranno adottate strategie opposte Notando la volatilità dei prezzi sui il mercato dei futures, prendendo una posizione lunga quando il prezzo medio breve superiore al costo medio lungo di almeno una deviazione standard nel breve periodo può essere una buona regola al contrario, prendere una posizione corta può anche essere una buona regola Pertanto, abbiamo progettato il due regole nel nostro trading iniziale governa i metodi di calcolo dettagliati delle sei medie mobili sono presentati nella Figura 2.Figure 2 Struttura del trading rules. A stringa di 17-binaria viene utilizzata per rappresentare una regola di trading in cui una stringa di sette binario rappresenta MN. è la lunga durata del periodo and. is breve durata del periodo di una stringa di sei binario è fa parte della gamma di 1 a 64 una stringa di tre binario rappresenta il metodo di calcolo dei prezzi medi In questo lavoro, la gamma di a è a 5 132 l'ultimo binario determina se cambiare strategie di trading solo quando c'è più di una differenza di deviazione standard tra due spostando i prezzi medi la struttura delle regole di negoziazione è presentato in figura 2 l'idoneità di una regola di Borsa è calcolato in base al profitto si può fare nel mercato dei futures del petrolio greggio Per confrontare regole di trading generati con il BH buy-and-hold, prendendo la posizione lunga in tutta la strategia periodo, il profitto di una regola generato è il tasso di rendimento in eccesso che superi il metodo di calcolo BH strategy. The di I riferimenti tasso di ritorno AK s metodo la differenza è che ci permettono un commerciante di tenere una posizione per lungo tempo, e noi non calcola il ritorno ogni giorno Consider. is il tasso di rendimento in eccesso di una lunga strategia di posizione, vale a dire, il somma del ritorno della posizione lunga e posizione corta Rf è il rendimento privo di rischio quando fuori mercato, e RBH è il tasso di ritorno della strategia BH nel periodo campione Rm è il rapporto margine dei futuri mercato del parametro indica quella - way tasso di costi di transazione e rappresentano il prezzo di apertura e il prezzo di chiusura di una posizione lunga o corta, è, rispettivamente, il prezzo del primo giorno in un intero periodo ed è il prezzo dell'ultimo giorno come ignoriamo la quantità di cambiamento nel quotidiano il margine e la scadenza del contratto, un commerciante in grado di mantenere la sua strategia per prendere nuove posizioni quando un contratto si avvicina il suo valore date. The idoneità di chiusura è un numero compreso tra 0 e 2 calcolata attraverso la conversione non lineare secondo Ra il calcolo del valore di fitness, la selezione, Crossover, e la mutazione degli individui vengono implementati utilizzando la casella degli strumenti GA di Sheffield nella piattaforma Matlab in ogni generazione, al fine di evitare la sovradattamento dei dati di allenamento, la regola migliore negoziazione di ogni generazione sarà testato in un periodo campione di selezione il prezzo di 200 giorni serie solo quando il valore di fitness è superiore al valore migliore nell'ultima generazione o quando i due valori sono quasi la same.0 05 può la regola di trading essere contrassegnata come il migliore finora in ogni generazione, il 90 per cento della popolazione sarà selezionato per formare una nuova generazione, mentre l'altro 10 percento viene generato casualmente conseguenza, l'evoluzione di individui che utilizzano algoritmi genetici in un singolo esperimento indipendente può essere riassunta come popolazione follows. Step 1 inizializzazione casualmente creare una popolazione iniziale di 20 movimento scambi medi rules. Step 2 valutare gli individui la forma fisica di ogni individuo è calcolato nella fase di valutazione il programma calcola la media dei prezzi si muovono in due scale diverse durante il periodo di formazione utilizzando i dati ausiliari e determina le posizioni in ogni giorno di negoziazione il tasso di rendimento in eccesso di ogni individuo è poi calcolato Infine, il valore di fitness di ogni individuo è calcolato in base al rendimento in eccesso rate. Step 3 ricordare la regola migliore di trading Selezionare la regola con il valore più alto di fitness e valutare per il periodo di selezione per ottenere il suo tasso di rendimento Se è meglio che o non inferiore al meglio norma attuale, esso sarà contrassegnato come la regola migliore negoziazione se il suo tasso di rendimento è inferiore o inferiore a 0 05 superiore al tasso corrente, manteniamo la norma attuale come il migliore one. Step 4 generare nuova popolazione Selezione 18 individui in base ai loro valori di fitness, lo stesso individuo potrebbe essere scelto più di una volta dunque, creare in modo casuale 2 regole di negoziazione supplementari con una probabilità di 0 7, eseguire un'operazione di ricombinazione per generare una nuova popolazione di conseguenza, tutte le regole di ricombinazione saranno mutati con una probabilità di 0 05.Step 5 Ritornare al punto 2 e ripetere 50 times. Step 6 prova la regola migliore di trading prova la regola migliore trading come individuati dal programma di cui sopra Questo genererà il tasso di ritorno e indicare se algoritmi genetici possono aiutare i commercianti attualizzare rendimenti in eccesso durante questo campione period. Because, in questo lavoro, non hanno considerato l'importo delle attività, si assume che il rapporto tra margine da 0 05 in realtà, come il parametro non ha alcun effetto significativo sul nostro esperimento risultati, il tasso di ritorno è aumentata di venti volte Con 20 prove in ogni periodo, 420 esperimenti indipendenti vengono condotti per determinare utile muoversi regole medio di scambi nel mercato greggio future sul petrolio i prezzi che abbiamo usato per i 21 periodi sono illustrati nella Figura 3.Figure 3 Campione data. Based su studi precedenti 39 40 51 e sulla decisione di scegliere un valore intermedio per questo studio, il tasso dei costi di transazione è impostato a 0 1 per i 420 esperimenti il ​​tasso di rendimento privo di rischio è 2, che si basa principalmente sulla tasso sui treasury bond a breve termine 41.Of le 420 prove, 226 guadagnare profitti con un tasso medio di rendimento 1 446, si conclude che gli algoritmi genetici possono facilitare agli operatori di ottenere rendimenti sul mercato greggio future sul petrolio Tuttavia, spostando le regole medio di scambi identificati da algoritmi genetici non determinano rendimenti in eccesso, come ci sono solo 8 periodi in cui ha generato regole di negoziazione hanno comportato commercianti che ricevono rendimenti superiori Dato che il prezzo dei futures del petrolio greggio è aumentato molte volte durante il periodo di campionamento, si sostengono inoltre che gli algoritmi genetici sono utili in investments. For una migliore comprensione, dividiamo i 21 periodi in 4 categorie in base ai risultati vedere l'ultima colonna della tabella 2.Table 2 risultati di experiment. Category 1 periodi di 2, 3, e 9 in questi periodi, regole commerciali generati non solo aiutano i commercianti di ottenere rendimenti, ma anche aiutarli a realizzare rendimenti superiori regole commerciali generati generare maggiori profitti rispetto alla strategia di BH nei periodi 3 e 9 nel periodo 2, la strategia BH perde soldi, mentre le regole di negoziazione generati, come determinato dalla genetica algoritmi, si traducono in profitti Così, le regole di negoziazione generati sono di gran lunga superiori alla strategia BH in questo periodo Una caratteristica comune di questi tre periodi nella categoria 1 è che i prezzi del petrolio greggio è sceso durante il periodo di prova e con esperienza significativa fluctuations. Category 2 periodi 5, 8, 12, 16, e 18 generata in movimento regole medio di scambi non riescono a generare profitti nel corso di questi cinque periodi Anche così, le regole generate risultati migliori rispetto alla strategia di BH, in quanto le perdite ridotte in modo significativo in questi periodi, i prezzi sono diminuiti senza intoppi, sperimentando alcune piccole fluttuazioni durante il process. Category 3 periodi 1, 6, 7, 10, 11, 14, 15, e 17 in questi otto periodi di dati di esempio, gli algoritmi genetici aiutare gli operatori di individuare idonee movimento regole medio di scambi Tuttavia, i commercianti non sono riusciti a ottenere rendimenti in eccesso Mentre i prezzi in costante aumento in questi periodi, ci sono anche alcune variazioni minori, che causano gli algoritmi genetici per essere inferiore alla strategia BH in questi periods. Category 4 periodi 4, 13, 19, 20, e 21 genetica di trading algoritmo norme dimostrano scarso rendimento in questi cinque periodi periodo di 21, la strategia BH produce rendimenti negativi le nostre regole commerciali genetiche producono più gravi perdite la strategia BH è considerato superiore alle norme commerciali generati negli altri quattro periodi come la strategia BH produce alcuni ritorni mentre non ci sono variazioni significative nei prezzi di livello in questi periodi, i prezzi sono in stati volatili nel corso dei cinque periodi Lievi variazioni di prezzo senza apparenti tendenze rendere le regole di negoziazione generate indifesi per prevedere le variazioni di prezzo e di fornire returns. We utilizzano algoritmi genetici per la ricerca buon movimento regole medio di scambi per gli operatori nel mercato del petrolio greggio tabella 3, che mostra il numero medio di e per ogni periodo, indica che il valore di lungo periodo ha una stretta relazione con la volatilità dei prezzi nel periodo di campionamento un grande è impostato in periodi con oscillazioni significative e un piccolo è selezionato per periodi in cui il prezzo è relativamente stable. Table 3 Il valore medio di e in ogni distribuzione period. The di è mostrato in Figura 4 Il valore di probabilità è molto piccola e non segue normale distribuzione la figura presenta una caratteristica tipica coda grassa con un curtosi di 2 36 Rispetto distribuzione normale, ci sono più valori situati nelle code della distribuzione nei nostri risultati solo in metà dei 420 esperimenti, è tra 70 giorni e 130 giorni i i valori sono decentrate e crediamo che sia più scientifica di scegliere i migliori lunghezze dei due periodi utilizzando un processo di formazione che abbiamo utilizzato in questo lavoro in reale investment. Figure 4 distribuzione of. Among il sei in movimento metodi di calcolo medio, AMA e TMA sono usati più spesso rispetto agli altri quattro vedi tabella 4, come più della metà delle regole di negoziazione medio generato spostamenti utilizza AMA o TMA Un piccolo numero di regole di trading generati usano WMA e EMA, mentre TPMA e SMA, che sono facili da calcolare, sono spesso utilizzati in alcuni periodi, come ad esempio periodi di 1, 2, 3, 12, 19, e 21.Table 4 modalità di calcolo degli mobile prezzo medio di ogni selezione period. The del metodo di calcolo è associato con l'andamento dei prezzi e la volatilità Figura 5 mostra che TPMA è usato 31 volte nei 60 esperimenti indipendenti in periodi di 2, 3, e 9 di categoria 1 a differenza della percentuale complessiva, TPMA è il metodo di calcolo più popolare quando il prezzo cade durante il periodo e sperimentato fluttuazioni significative AMA è il più popolare metodo nelle altre tre categorie EMA non viene mai utilizzato nelle categorie 1 e 4 Tuttavia, ci vuole un 24 proporzione nella categoria 2, più di TMA, SMA, TPMA, e WMA le proporzioni della TMA e SMA hanno differenze significative nelle diverse categorie in categoria 4, i prezzi cambiare senza apparenti tendenze Nessuno metodo ha evidente vantaggio rispetto alla others. Figure 5 proporzioni di metodi in diversi risultati categories. The di 20 esperimenti nello stesso periodo indicano elevata consistenza del valore sd Tabella 5 Quando i prezzi fluttuano, come ad esempio nei periodi 1, 2, 7, 8, 13, 19 e 20, quindi non l'apertura di posizioni fino a quando un prezzo medio supera un altro di almeno una deviazione standard è l'opzione migliore quando il prezzo è relativamente stabile, una decisione di investimento deve essere fatta immediatamente fino a quando le due medie mobili cross. Table 5 numeri delle regole di negoziazione in cui sd 1.4 Discussion. This tentativi di carta per generare lo spostamento regole medio di scambi nel mercato dei futures del petrolio utilizzando algoritmi genetici diverso da altri studi, usiamo solo in movimento medie come indicatori tecnici per identificare utile muoversi regole medio di scambi, senza altri strumenti di analisi tecnica complessi o indicatori Moving regole di scambio medio sono facili per i commercianti di operare, e sono semplici, indipendentemente dalla situazione per individuare le migliori regole di negoziazione nel petrolio greggio mercato dei futures, usiamo gli algoritmi genetici per selezionare tutti i parametri nei mobili regole medio di scambi in modo dinamico, piuttosto che farlo in un manner. According fisso i nostri calcoli genetiche, utilizzando algoritmi genetici per scoprire le migliori lunghezze dei due periodi in movimento media è hanno raccomandato perché le lunghezze generate differenziano tra loro in diverse andamento dei prezzi statico movimento regole medio di scambi con lunghezze determinato periodo non può adattarsi alle oscillazioni complesse di prezzo nei diversi periodi un processo di formazione, tuttavia, che prende caratteristiche dinamiche delle fluttuazioni dei prezzi in considerazione, può aiutare commercianti scoprire le lunghezze ottimali dei due periodi in movimento di un trading rule. Among i sei metodi media mobile, l'AMA e TMA sono il più popolare tra le regole di trading generati come questi due metodi hanno la capacità di adattarsi alle tendenze dei prezzi The AMA can change the weights of the current price according to the volatility in the last several days As the TMA is the average of the SMA, it more accurately reflects the price level However, the selection of best moving average calculation method is affected by price trends Traders can choose methods more scientifically according to the price trends and fluctuations Based on our experiment results, TPMA is an optimal choice when price experiences a decline process with significant fluctuations, and generating moving average trading rules are outstanding compared with BH strategy in these occasions Although EMA takes a very small proportion in the total 420 experiments, it is also an applicable method other than AMA when price falls smoothly. For the periods in which the price volatility is apparent, decisions will not be made until the difference between the two averages exceeds the standard deviation of the short sample prices, thereby reducing the transaction risk However, this method is not suitable for a period in which the price is relatively stable In these situations, hesitation may sometimes cause traders to miss possible profit opportunities. As a whole, generated moving average trading rules can help traders make profits in the long term However, genetic algorithms cannot guarantee access to additional revenue in every period as they are only useful in acquiring excess returns in special situations The generated moving average trading rules demonstrate outstanding performance when the crude oil futures price falls with significant fluctuations The BH strategy will lose on these occasions, while the generated trading rule can help traders foresee a decline in price and reduce losses Our trading rules also yield positive returns during the fluctuations by the timely changing of positions. When the price falls smoothly with few fluctuations in the process, generated trading rules can yield excess returns compared to the BH strategy Although genetic algorithms cannot help traders receive positive returns during these periods, the algorithms can help traders reduce loss by changing positions with the change of price trends When the price is stable or rising smoothly, the generated rules may generate returns However, they cannot generate more returns than the BH strategy Limited returns cannot afford the transaction costs When the price falls, the generated rules may be superior to the BH strategy Genetic algorithms can also help traders make profits in the process of price increases with small fluctuations In these periods, the BH strategy is better than generated trading rules because the transactions in the process generate transaction costs and may miss some profit opportunities Generated moving average trading rules have poor performance if there are no notable trends in the price change In these periods, moving average indicators cannot find profit opportunities because the volatility is too small The trends of price changes are delayed by the moving average method Therefore, when a decision is made , the price trend must also change, and as a result, there is no doubt that the trader will experience deficits. Using genetic algorithms, moving average trading rules do help traders to gain returns in the actual futures market We also identified the best lengths for the two periods with respect to moving average rules and recommend the moving average calculation method for the crude oil futures market Technical trading rules with only moving average indicators generated by genetic algorithms demonstrate no sufficient advantages compared to the BH strategy because the overall price increased during the 30-year period Nevertheless, generated moving trading rules are beneficial for traders under certain circumstances, especially when there are significant changes in prices. In this paper, we search best trading rules according to the return rate of each one without regard to asset conditions and open interest, which proves to be the greatest limitation of the study To improve the accuracy of the results, a simulation with actual assets is recommended Accordingly, we will undertake this endeavor in a subsequent research.5 Concluding Remarks. We conclude that the genetic algorithms identify better technical rules that allow traders to actualize profits from their investments While we have no evidence to demonstrate that generated trading rules result in greater returns than does the BH strategy, our conclusion is consistent with the efficient market hypothesis While generated trading rules facilitate traders in realizing excess returns with respect to their investing activities under specific circumstances, they cannot, at least by using moving average trading rules, ensure more long-term excess returns than the BH strategy With respect to the selection of two periods, finding out optimal lengths using genetic algorithms is helpful for making more profits Of the six moving average indicators, AMA and TMA are the most popular moving average calculation methods for the crude oil futures market in total, while TPMA is an outstanding method in some occasion When the crude oil prices demonstrate notable volatility, a trader is advised to wait until the difference of the two moving averages exceeds the standard deviation of the short period and vice versa. Based on the above analysis, it is better to use BH strategy when the price increases or is stable However , generated moving average trading rules are better than BH strategy when crude oil futures price decreases With respect to the moving average calculation method, it is advocated to use TPMA when price falls with significant fluctuations and AMA when price falls smoothly, although TPMA is not a popular method overall We propose variable moving average trading rules generated by training processes rather than static moving average trading rules in the crude oil futures markets. Conflict of Interests. The authors declare that there is no conflict of interests regarding the publication of this paper. Authors Contribution. Model design was done by Haizhong An, Lijun Wang, and Xuan Huang, program development and experiments performance were done by Xiaojia Liu and Lijun Wang, data analysis was done by Haizhong An, Xiaohua Xia, and Xiaoqi Sun, paper composition was done by Lijun Wang, Xiaohua Xia, and Xiaojia Liu, and literature retrieval and manuscript editing were done by Xiaojia Liu, Xuan Huang, and Xiaoqi Sun. This research was partly supported by the NSFC China Grant no 71173199 and Humanities and the Social Sciences planning funds project under the Ministry of Education of the PRC Grant no 10YJA630001 The authors would like to acknowledge valuable suggestions from Wei Fang, Xiaoliang Jia, and Qier An. ZM Chen and GQ Chen, Demand-driven energy requirement of world economy 2007 a multi-region input-output network simulation, Communications in Nonlinear Science and Numerical Simulation vol 18, no 7, pp 1757 1774, 2013 View at Publisher View at Google Scholar. G Wu, L - C Liu, and Y - M Wei, Comparison of China s oil import risk results based on portfolio theory and a diversification index approach, Energy Policy vol 37, no 9, pp 3557 3565, 2009 View at Publisher View at Google Scholar View at Scopus. XH Xia, GT Huang, GQ Chen, B Zhang, ZM Chen, and Q Yang, Energy security, efficiency and carbon emission of Chinese industry, Energy Policy vol 39, no 6, pp 3520 3528, 2011 View at Publisher View at Google Scholar View at Scopus. XH Xia and GQ Chen, Energy abatement in Chinese industry cost evaluation of regulation strategies and allocation alternatives, Energy Policy vol 45, pp 449 458, 2012 View at Publisher View at Google Scholar. N Cui, Y Lei, and W Fang, Design and impact estimation of a reform program of China s tax and fee policies for low-grade oil and gas resources, Petroleum Science vol 8, no 4, pp 515 526, 2011 View at Publisher View at Google Scholar View at Scopus. YL Lei, N Cui, and DY Pan, Economic and social effects analysis of mineral development in China and policy implications, Resources Policy vol 38, pp 448 457, 2013 View at Publisher View at Google Scholar. ZM Chen and GQ Chen, An overview of energy consumption of the globalized world economy, Energy Policy vol 39, no 10, pp 5920 5928, 2011 View at Publisher View at Google Scholar View at Scopus. N Nomikos and K Andriosopoulos, Modelling energy spot prices empirical evidence from NYMEX, Energy Economics vol 34, no 4, pp 1153 1169, 2012 View at Publisher View at Google Scholar. GB Ning, ZJ Zhen, P Wang, Y Li, and HX Yin, Economic analysis on value chain of taxi fleet with battery-swapping mode using multiobjective genetic algorithm, Mathematical Problems in Engineering vol 2012, Article ID 175912, 15 pages, 2012 View at Publisher View at Google Scholar. S Chai, YB Li, J Wang, and C Wu, A genetic algorithm for task scheduling on NoC using FDH cross efficiency, Mathematical Problems in Engineering vol 2013, Article ID 708495 , 16 pages, 2013 View at Publisher View at Google Scholar. GQ Chen and B Chen, Resource analysis of the Chinese society 1980 2002 based on exergy Part 1 fossil fuels and energy minerals, Energy Policy vol 35, no 4, pp 2038 2050, 2007 View at Publisher View at Google Scholar View at Scopus. Z Chen, G Chen, X Xia, and S Xu, Global network of embodied water flow by systems input-output simulation, Frontiers of Earth Science vol 6, no 3, pp 331 344, 2012 View at Publisher View at Google Scholar. ZM Chen and GQ Chen, Embodied carbon dioxide emission at supra-national scale a coalition analysis for G7, BRIC, and the rest of the world, Energy Policy vol 39, no 5, pp 2899 2909, 2011 View at Publisher View at Google Scholar View at Scopus. HZ An, X - Y Gao, W Fang, X Huang, and YH Ding, The role of fluctuating modes of autocorrelation in crude oil prices, Physica A vol 393, pp 382 390, 2014 View at Publisher View at Google Scholar. X - Y Gao, H - Z An, H - H Liu, and Y - H Ding, Analysis on the topological properties of the linkage complex network between crude oil future price and spot price, Acta Physica Sinica vol 60, no 6, Article ID 068902, 2011 View at Google Scholar View at Scopus. X - Y Gao, HZ An, and W Fang, Research on fluctuation of bivariate correlation of time series based on complex networks theory, Acta Physica Sinica vol 61, no 9, Article ID 098902, 2012 View at Publisher View at Google Scholar. S Yu and Y - M Wei, Prediction of China s coal production-environmental pollution based on a hybrid genetic algorithm-system dynamics model, Energy Policy vol 42, pp 521 529, 2012 View at Publisher View at Google Scholar View at Scopus. S Geisendorf, Internal selection and market selection in economic genetic algorithms, Journal of Evolutionary Economics vol 21, no 5, pp 817 841, 2011 View at Publisher View at Google Scholar View at Scopus. R Tehrani and F Khodayar, A hybrid optimized artificial intelligent model to forecast crude oil using genetic algorithm, African Journal of Business Management vol 5, pp 13130 13135, 2011 View at Google Scholar. AM Elaiw, X Xia, and AM Shehata, Minimization of fuel costs and gaseous emissions of electric power generation by model predictive control, Mathematical Problems in Engineering vol 2013, Article ID 906958, 15 pages, 2013 View at Publisher View at Google Scholar View at MathSciNet. L Mendes, P Godinho, and J Dias, A Forex trading system based on a genetic algorithm, Journal of Heuristics vol 18, no 4, pp 627 656, 2012 View at Publisher View at Google Scholar. MC Roberts, Technical analysis and genetic programming constructing and testing a commodity portfolio, Journal of Futures Markets vol 25, no 7, pp 643 660, 2005 View at Publisher View at Google Scholar View at Scopus. J - Y Potvin, P Soriano, and V Maxime, Generating trading rules on the stock markets with genetic programming, Computers and Operations Research vol 31, no 7, pp 1033 1047, 2004 View at Publisher View at Google Scholar View at Scopus. A Esfahanipour and S Mousavi, A genetic programming model to generate risk-adjusted technical trading rules in stock markets, Expert Systems with Applications vol 38, no 7, pp 8438 8445, 2011 View at Publisher View at Google Scholar View at Scopus. MAH Dempster, TW Payne, Y Romahi, and GWP Thompson, Computational learning techniques for intraday FX trading using popular technical indicators, IEEE Transactions on Neural Networks vol 12, no 4, pp 744 754, 2001 View at Publisher View at Google Scholar View at Scopus. T Nakashima, Y Yokota, Y Shoji, and H Ishibuchi, A genetic approach to the design of autonomous agents for futures trading, Artificial Life and Robotics vol 11, no 2, pp 145 148, 2007 View at Publisher View at Google Scholar View at Scopus. A Ghandar, Z Michalewicz, M Schmidt, T - D To, and R Zurbrugg, Computational intelligence for evolving trading rules, IEEE Transactions on Evolutionary Computation vol 13, no 1, pp 71 86, 2009 View at Publisher View at Google Scholar View at Scopus. WL Tung and C Quek, Financial volatility trading using a self - organising neural-fuzzy semantic network and option straddle-based approach, Expert Systems with Applications vol 38, no 5, pp 4668 4688, 2011 View at Publisher View at Google Scholar View at Scopus. C - H Cheng, T - L Chen, and L - Y Wei, A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting, Information Sciences vol 180, no 9, pp 1610 1629, 2010 View at Publisher View at Google Scholar View at Scopus. P - C Chang , C - Y Fan, and J - L Lin, Trend discovery in financial time series data using a case based fuzzy decision tree, Expert Systems with Applications vol 38, no 5, pp 6070 6080, 2011 View at Publisher View at Google Scholar View at Scopus. GA Vasilakis, KA Theofilatos, EF Georgopoulos, A Karathanasopoulos, and SD Likothanassis, A genetic programming approach for EUR USD exchange rate forecasting and trading, Computational Economics vol 42, no 4, pp 415 431, 2013 View at Publisher View at Google Scholar. IA Boboc and MC Dinica, An algorithm for testing the efficient market hypothesis, PLoS ONE vol 8, no 10, Article ID e78177, 2013 View at Publisher View at Google Scholar. W Cheung, KSK Lam, and HF Yeung, Intertemporal profitability and the stability of technical analysis evidences from the Hong Kong stock exchange, Applied Economics vol 43, no 15, pp 1945 1963, 2011 View at Publisher View at Google Scholar View at Scopus. H Dewachter and M Lyrio, The economic value of technical trading rules a nonparametric utility-based approach, International Journal of Finance and Economics vol 10, no 1, pp 41 62, 2005 View at Publisher View at Google Scholar View at Scopus. A Fern ndez-P rez, F Fern ndez-Rodr guez , and S Sosvilla-Rivero, Exploiting trends in the foreign exchange markets, Applied Economics Letters vol 19, no 6, pp 591 597, 2012 View at Publisher View at Google Scholar View at Scopus. M Metghalchia, J Marcucci, and Y - H Chang, Are moving average trading rules profitable Evidence from the European stock markets, Applied Economics vol 44, no 12, pp 1539 1559, 2012 View at Publisher View at Google Scholar View at Scopus. CJ Neely, PA Weller, and JM Ulrich, The adaptive markets hypothesis evidence from the foreign exchange market, Journal of Financial and Quantitative Analysis vol 44, no 2, pp 467 488, 2009 View at Publisher View at Google Scholar View at Scopus. WE Shambora and R Rossiter, Are there exploitable inefficiencies in the futures market for oil Energy Economics vol 29, no 1, pp 18 27, 2007 View at Publisher View at Google Scholar View at Scopus. F Allen and R Karjalainen, Using genetic algorithms to find technical trading rules, Journal of Financial Economics vol 51, no 2, pp 245 271, 1999 View at Google Scholar View at Scopus. J Wang, Trading and hedging in SP 500 spot and futures markets using genetic programming, Journal of Futures Markets vol 20, no 10, pp 911 942, 2000 View at Google Scholar View at Scopus. J How, M Ling, and P Verhoeven, Does size matter A genetic programming approach to technical trading, Quantitative Finance vol 10, no 2, pp 131 140, 2010 View at Publisher View at Google Scholar View at MathSciNet. F Wang, PLH Yu, and DW Cheung, Combining technical trading rules using particle swarm optimization, Expert Systems with Applications vol 41, no 6, pp 3016 3026, 2014 View at Publisher View at Google Scholar. J Andrada-F lix and F Fern ndez-Rodr guez, Improving moving average trading rules with boosting and statistical learning methods, Journal of Forecasting vol 27, no 5, pp 433 449, 2008 View at Publisher View at Google Scholar View at MathSciNet View at Scopus. TT - L Chong and W - K Ng, Technical analysis and the London stock exchange testing the MACD and RSI rules using the FT30, Applied Economics Letters vol 15, no 14, pp 1111 1114, 2008 View at Publisher View at Google Scholar View at Scopus. I Cialenco and A Protopapadakis, Do technical trading profits remain in the foreign exchange market Evidence from 14 currencies, Journal of International Financial Markets, Institutions and Money vol 21, no 2, pp 176 206, 2011 View at Publisher View at Google Scholar View at Scopus. AE Milionis and E Papanagiotou, Decomposing the predictive performance of the moving average trading rule of technical analysis the contribution of linear and non-linear dependencies in stock returns, Journal of Applied Statistics vol 40, no 11, pp 2480 2494, 2013 View at Publisher View at Google Scholar. YS Ni, JT Lee, and YC Liao, Do variable length moving average trading rules matter during a financial crisis period Applied Economics Letters vol 20, no 2, pp 135 141, 2013 View at Publisher View at Google Scholar. V Pavlov and S Hurn, Testing the profitability of moving-average rules as a portfolio selection strategy, Pacific-Basin Finance Journal vol 20, no 5, pp 825 842, 2012 View at Publisher View at Google Scholar. C Chiarella, X - Z He, and C Hommes, A dynamic analysis of moving average rules, Journal of Economic Dynamics Control vol 30, no 9-10, pp 1729 1753, 2006 View at Publisher View at Google Scholar View at Zentralblatt MATH View at MathSciNet. X - Z He and M Zheng, Dynamics of moving average rules in a continuous-time financial market model, Journal of Economic Behavior and Organization vol 76, no 3, pp 615 634, 2010 View at Publisher View at Google Scholar View at Scopus. C Neely, P Weller, and R Dittmar, Is Technical Analysis in the Foreign Exchange Market Profitable A Genetic Programming Approach Cambridge University Press, 1997.