Algoritma Genetika Penerapan Desain Sistem Perdagangan Teknis.1 Algoritma Genetika Penerapan Desain Sistem Perdagangan Teknis V Kapoor Institute of Engineering Technology, Universitas Devi Ahilya, Institut Manajemen India Indore S Dey Indore AP Khurana School of Computer Science Devi Ahilya University, Indore ABSTRAK Penelitian terbaru menunjukkan bahwa dalam konteks pasar keuangan, analisis teknis merupakan alat yang sangat berguna untuk memprediksi tren. Aturan Moving Average biasanya digunakan untuk membuat keputusan beli atau jual setiap hari. Karena kemampuannya untuk meliput ruang pencarian yang luas dengan relatif rendah. Upaya komputasi, Algoritma Genetika GA dapat efektif dalam optimalisasi sistem perdagangan teknis Makalah ini mempelajari masalah bagaimana GA dapat digunakan untuk memperbaiki kinerja peraturan perdagangan tertentu dengan mengoptimalkan parameternya, dan bagaimana perubahan dalam desain GA itu sendiri dapat Mempengaruhi kualitas solusi yang diperoleh dalam konteks sistem perdagangan teknis Kami telah berkonsentrasi untuk memanfaatkan kekuatan algoritma genetika untuk menyesuaikan parameter aturan perdagangan teknis di latar belakang pasar keuangan Hasil percobaan berdasarkan data real timeseries menunjukkan bahwa aturan optimal yang diperoleh dengan menggunakan GA dapat meningkatkan keuntungan yang dihasilkan secara signifikan dibandingkan dengan Aturan perdagangan rata-rata pergerakan tradisional yang diambil dari literatur keuangan Kata kunci Algoritma genetika GA s, ukuran populasi, sistem perdagangan, peraturan teknis PENDAHULUAN Investor di pasar saham prihatin akan tingkat pengembalian atau keuntungan yang meningkat Dalam beberapa tahun terakhir, pasar saham global sedang bullish dalam tren, Dan ada peningkatan yang signifikan dalam jumlah penelitian yang berfokus pada investasi pasar saham Karena sejumlah besar data tersedia, investor menghadapi kesulitan dalam mengambil keputusan, mengenai bagaimana mendapatkan keuntungan lebih tinggi dari perdagangan saham Banyak ahli dalam teori keuangan telah gagal dalam usaha mereka untuk Memprediksi tren di pasar sepenuhnya, Karena tren harga berisik dan berfluktuasi Hipotesis Pasar Efisien EMH adalah salah satu dasar terpenting teori keuangan modern yang menyatakan bahwa tidak mungkin untuk mengalahkan pasar Analisis teknis adalah metode populer yang digunakan dalam perdagangan saham Ada banyak Literatur yang dikhususkan untuk aturan analisis teknis yang diharapkan dapat mengidentifikasi tren bullish atau bearish atau reversal dalam lintasan harga 4, 8, 9, 0 Analisis teknis mengasumsikan bahwa tren masa depan dapat dikenali karena fungsi dari harga masa lalu Untuk beberapa terakhir Tahun telah ada diskusi terkonsentrasi di kalangan praktisi dan akademisi tentang kegunaan peraturan perdagangan teknis dan Hipotesis Pasar Efisien EMH Upaya awal untuk menggunakan indikator teknis didasarkan pada filter sederhana 2 Sementara menganalisis literatur mengenai analisis teknis tersedia, seseorang dapat merasa tidak nyaman pada waktu tertentu, karena Tersedianya jumlah hampir tak terbatas aturan perdagangan teknis banyak cara di mana mereka bisa b E diterapkan Rata-rata pergerakan baru-baru ini telah digunakan oleh Brock 2, hasil kerja mereka menunjukkan bahwa hasil yang menguntungkan dapat diperoleh dengan menggunakan metode ini Sistem rata-rata bergerak sederhana, yang biasa digunakan pada simulator perdagangan, dan memiliki dua parameter ukuran panjang rata-rata bergerak Panjang rata-rata bergerak dapat mencakup berbagai kerangka waktu dari hari ke 500 hari dll, penggunaan parameter yang benar yaitu panjang dalam membangun peraturan perdagangan sangat penting Juga, ada sejumlah besar kombinasi berbagai parameter untuk menerapkan peraturan rata-rata yang membuat tidak mungkin Uji semuanya secara manual sebagai bagian dari proses pengambilan keputusan. Oleh karena itu, sangat penting untuk mengembangkan metode otomatis untuk mengoptimalkan sistem perdagangan. Optimasi adalah proses pencarian dimana solusi terbaik dapat ditemukan. Ini hanyalah sebuah metode atau algoritma yang memungkinkan kita untuk Temukan solusi terbaik atau mendekati solusi terbaik untuk masalah yang diberikan Jika sistem perdagangan atau pengoptimalan aturan, hal ini dapat dilakukan Untuk menemukan seperangkat parameter aturan Solusi atau kebugaran terbaik yang ada untuk masalah tertentu dapat ditemukan dalam beberapa cara Beberapa masalah sederhana dipecahkan dengan trial and error, yang sering dipandu oleh wawasan manusia karena otak manusia adalah salah satu Sistem optimasi heuristik yang paling kuat di bumi Dalam beberapa kasus, optimasi analitik seperti pengembangan model regresi berganda, 3, 5, 6, 7 atau prosedur berbasis kalkulus digunakan Untuk sistem yang lebih kompleks, metode atau algoritma yang rumit diperlukan Secara riil, algoritma ini adalah algoritma Diimplementasikan dengan kode pemrograman dalam beberapa bahasa komputer dalam kasus penggunaan komputer Mensimulasikan proses evolusi sebagai algoritma genetika yang dilakukan adalah cara yang sangat baru untuk menemukan atau menemukan solusi berkualitas tinggi untuk masalah kompleks GA adalah algoritma heuristik berdasarkan pada survival of the fittest principle, Dan tidak menjamin solusi optimal secara global, hanya mendekati yang optimal Mereka secara formal terbukti menjadi pendekatan yang sangat efisien untuk Mengoptimalkan fungsi non linier 4, 8, dan 9 Fungsi kebugaran yang digunakan di GA adalah blok kode pemrograman yang mencerminkan daya tarik solusi tertentu Jika masalah kita, kebugaran ditafsirkan sebagai keuntungan bersih untuk penarikan yang intens. Tujuan dari Pekerjaan yang dijelaskan dalam makalah ini adalah untuk menyelidiki bagaimana algoritma genetika, kelas algoritma dalam perhitungan evolusioner dapat digunakan untuk memperbaiki kinerja peraturan perdagangan tertentu, dan bagaimana perubahan dalam rancangan GA itu sendiri dapat mempengaruhi kualitas solusi yang diperoleh dalam konteks Sistem perdagangan teknis Di sini, tujuan utama kami adalah menemukan seperangkat parameter aturan perdagangan 44,2 optimal yang dievaluasi pada rangkaian waktu keuangan riil yaitu data historis Bukan tujuan kami untuk memberikan pembenaran teoritis atau eksperimental analisis teknis Makalah ini disusun dalam berikut Cara Algoritma Genetika dan pekerjaan terkait disajikan pada bagian 2, Kumpulan data dan metodologi kemudian dijelaskan pada bagian 3, Bagian 4 Menjelaskan sistem berbasis GA yang diusulkan, Bagian 5 dikhususkan untuk studi kinerja dari pendekatan ini Kesimpulan dan beberapa ekstensi yang diusulkan berikut Bagian SURVEI LITERATUR Algoritma Genetika adalah prosedur pencarian dan pengoptimalan global berdasarkan prinsip evolusi biologis alami GA adalah upaya untuk menggabungkan komputer. Ilmu pengetahuan dan evolusi alam Ini adalah usaha untuk meniru kekuatan evolusi alam dalam program komputer Teori seleksi alam Darwin adalah inspirasi bagi GA GA secara stokastik, sehingga mereka memanfaatkan kesempatan acak dalam operasi mereka GA dimulai dengan populasi yang dipilih secara acak. Kandidat yang dievaluasi sesuai dengan fungsi fitness yang ditetapkan dan kemudian solusi yang lebih baru berevolusi menggunakan operator genetik seperti seleksi, crossover dan mutasi see fig Algoritma Genetika Gambar Algoritma Genetika Dimulai dengan generasi acak, tujuan GA adalah untuk meningkatkan kebugaran solusi seiring dengan pembangkitan generasi. Dengan kondisi berhenti ditentukan Karena beberapa jumlah generasi yang tetap mencapai atau mencapai tingkat kebugaran yang memuaskan Alasan di balik crossover adalah bahwa jika dua orang tua diwakili oleh tingkat kebugaran yang tinggi, menyebrang mereka akan menghasilkan solusi keturunan yang lebih baik Karena ruang pencarian besar, beberapa jumlah keacakan dipertahankan Melalui generasi oleh operator mutasi jarang digunakan, sehingga populasi tidak kehilangan keragaman genetisnya Tujuan utama GA adalah untuk menemukan ahli atau solusi yang hampir optimal GA ditandai dengan kecepatan Sudah berkali-kali lebih cepat daripada metode pengoptimalan brutal terutama saat menghadapi ledakan kombinatorial. Penerapan GA terhadap perdagangan saham telah dievaluasi oleh sejumlah peneliti GA pada aplikasi keuangan yang telah menunjukkan hasil yang menjanjikan Bauer 8 menggunakan GA untuk menghasilkan peraturan perdagangan yang merupakan ekspresi Boolean. Untuk kesadaran saya, makalah pertama yang menghubungkan GA dengan investasi adalah dari Bauer dan Liepins 9 Baur 9 dalam bukunya Genetic Algorithms and Investment strategie S menawarkan panduan yang realistis mengenai bagaimana GA dapat digunakan untuk mengembangkan strategi trading yang mencolok berdasarkan informasi mendasar Teknik ini dapat dengan mudah diperluas untuk memasukkan informasi tipe lain seperti peraturan perdagangan teknis dan juga harga masa lalu. Menurut Allen dan Karjalainen 20, genetik Algoritma adalah metode yang tepat untuk menemukan aturan perdagangan teknis Beberapa penelitian lain yang menarik dilakukan oleh Mahfoud dan Mani 2 yang menghadirkan sistem berbasis algoritma genetika baru dan menerapkannya pada tugas untuk memprediksi kinerja saham individual dan pemrograman genetika terhadap peramalan valuta asing dan masa depan. Melaporkan beberapa keberhasilan Goldberg 5 dan De Jong 22 menunjukkan bahwa parameter kontrol yang ditetapkan Crossover 0 6, ukuran populasi mutasi 300 bekerja dengan baik di banyak masalah Bauer 8 melakukan serangkaian simulasi mengenai masalah optimasi keuangan dan menetapkan semangat saran Goldberg yang dipandu Ramon Lawrence 23 Metode penggunaan GA s untuk melatih jaringan syaraf tiruan Sistem perdagangan Korczak 24 menggunakan GA untuk mencari seperangkat peraturan perdagangan yang memberi sinyal beli dan jual pada saham individual Jin Li 25 menggunakan pemrograman genetika untuk memperbaiki prediksi analisis teknis Laura 31 nevz-letamendia 26 dan banyak lagi 27 menerapkan GA untuk mengoptimalkan parameter Dari peraturan perdagangan Menurut Laura Nu n ez-letamendia 26 GA bekerja lebih baik dalam crossover tinggi dan kemungkinan mutasi rendah dan ukuran populasi moderat Lihat juga 6, 7 3 METODOLOGI Meskipun kita dapat membuat sejumlah peraturan perdagangan tanpa henti dengan kombinasi yang besar Jumlah indikator teknis dan operator aritmatika, beberapa peraturan ini populer, dan banyak digunakan oleh praktisi dan menarik perhatian akademisi. Salah satu peraturan yang terkenal ini adalah Crossing of Moving Averages Average didefinisikan sebagai harga rata-rata n terakhir. Word Moving berarti bahwa set harga rata-rata terus bergerak melalui time Moving Average adalah indikator lagging yang digunakan untuk diratakan. Data yang tidak dapat diprediksi atau parau untuk mendapatkan tren harga sebenarnya Aturan perdagangan yang disebut Crossing of moving averages didasarkan pada sinyal yang dihasilkan oleh persimpangan MA dengan panjang yang berbeda Rata-rata bergerak selama n hari diberikan oleh n Pt n i0 Dimana P ti Adalah harga penutupan untuk hari ti dan n menunjukkan jumlah hari terakhir yang diambil untuk membangun rata-rata bergerak yaitu panjang sinyal MA Beli dan jual dihasilkan sebagai berikut Sinyal beli atau posisi lama sesuai dengan pembicaraan pasar diambil saat MA lebih pendek Lebih besar dari sebelumnya MA 2 Pt i Pt i eq 2 i0 2 i0 Dimana 2 Sinyal jual atau posisi pendek sesuai dengan pembicaraan pasar diambil bila MA lebih pendek kurang dari waktu yang lama MA 2 Pt i Pt i 3 2 i0 45.3 Dimana 2 Parameter yaitu panjang dua rata-rata bergerak dan 2 dipilih secara heuristik atau naluriah oleh pedagang Ada banyak kemungkinan kombinasi jika kita membatasi jumlah hari untuk membangun MA sampai 500, yaitu akan ada 2, 50.000 jumlah parameter pengaturan untuk aturan yang didasarkan Di cro Ssing moving averages Dengan demikian, cara pencarian meningkat secara eksponensial yaitu jumlah parameter yang harus disesuaikan dengan masuknya indikator teknis dalam sistem perdagangan, karena setiap indikator terdiri dari sekurang-kurangnya satu parameter. Dalam kasus sistem perdagangan kita harus menemukan kombinasi Dari parameter yang memberikan kinerja atau keuntungan terbaik atau optimal Jika terjadi persimpangan sistem perdagangan berbasis MA, tujuan utama kami adalah untuk menemukan parameter yaitu panjang dari dua MA dan 2 dimana sinyal perdagangan yang dibeli atau dijual memberi kita return terbaik Dengan demikian mengoptimalkan sistem perdagangan kita. Berarti memaksimalkan fungsi kebugaran kita seperti keuntungan yang diberikan oleh TRF f 4 i DRi Pi Pi eq 5 TR f adalah pengembalian total untuk periode sampel DR i adalah kembalinya harian untuk hari i, P i menunjukkan harga saham untuk Hari saya adalah variabel dummy yang menghasilkan nilai untuk membeli sinyal panjang dan - untuk sinyal singkat penjualan Sistem perdagangan mengambil posisi jual dan beli, namun tidak ada posisi di luar pasar Biaya transaksi tidak termasuk sebagai mai kami. N tujuan dalam penulisan ini adalah untuk menemukan kemungkinan pemecahan masalah optimasi dengan menggunakan algoritma genetika berkenaan dengan perubahan ukuran populasi dengan menjaga jumlah evaluasi fungsi konstan dan untuk membuktikan ketangguhan Algoritma Genetika 4 SISTEM BERBASIS ALGORITMA GENETIKA DENGAN MENGGUNAKAN C DAN VISUAL BASIC Algoritma genetika yang dikembangkan oleh Holland adalah prosedur pencarian dan pengoptimalan berdasarkan prinsip evolusi biologis alami. GA berbeda dengan prosedur pengoptimalan lainnya dalam beberapa cara kerja GA dengan pengkodean parameter yang tidak sesuai dengan parameter masing-masing. Jadi GA s dapat menangani variabel biner. Pencarian GA dari populasi titik, bukan satu titik Jadi mereka dapat menawarkan solusi optimal secara global Akhirnya GA bekerja pada fungsi kebugaran bukan pada pengetahuan sekunder lainnya. Jadi, GA sangat membantu dalam menemukan solusi global untuk fungsi non-kontinu dan tidak terdiferensiasi. Yang sebenarnya ada dalam masalah optimasi praktis Arsitektur sistem dalam penelitian kami adalah Dibagi menjadi dua bagian Algoritma Algoritma Genetika pada modul fungsi C dan fitness secara visual Data kami tentang percobaan yang dilakukan disimpan di Microsoft excel No Inisialisasi Populasi Kromosom Mengevaluasi nilai fungsi fitness Terapkan operator Seleksi Terapkan operator Crossover Terapkan operator mutasi Evaluasi nilai fungsi fitness Apakah populasi saat ini memenuhi kondisi berhenti yang telah ditentukan sebelumnya Modul GA di modul fungsi C Fitness secara visual basic Pengujian Data Perdagangan Modul generasi sinyal Modul Simulasi Perdagangan Fungsi kebugaran atau hasil keuntungan Ya Kromosom atau aturan perdagangan terbaik Gambar 2 Proses Simulasi Setiap parameter dalam Algoritma Genetika dikodekan sebagai biner String dan concatenated untuk membentuk kromosom moving average yang lebih pendek berjalan dari sesi ke 256 sesi yaitu panjang string 8 bit ex 0000, moving average yang lebih panjang pergi dari sesi ke 52 sesi yaitu panjang string 9 bit ex 0000 Jadi total ruang pencarian adalah 7 bit Ex 0000 0000 yaitu 2 7 Dalam penelitian kami yang kami miliki Sumber daya komputasi terbatas yang dipekerjakan dengan memilih jumlah total evaluasi fungsi untuk Kami menjalankan setiap percobaan dengan ukuran populasi 20, 50, 70 dan 00, menjaga jumlah evaluasi fungsi konstan dimulai dengan populasi yang dihasilkan secara acak Solusi ini diuji sesuai dengan fungsi kebugaran yang diberikan dalam persamaan 4 dan 46.4 Jurnal Internasional Maksimum Aplikasi Komputer 5 Untuk mendapatkan solusi yang lebih baik bagi generasi penerus, setiap informasi pertukaran kromosom dengan menggunakan operator crossover yang ditiru dari genetika alami untuk mendapatkan solusi yang lebih baik. Operator mutasi digunakan untuk menambahkan keanekaragaman acak dalam larutan 6 Kesesuaian Fungsi digunakan untuk mengukur kualitas larutan setiap kromosom pada populasi. Kami telah menggunakan metode seleksi Roulette Wheel yang memilih individual probabilistik berdasarkan kinerjanya. Jika jumlah seleksi Roulette Wheel fungsi fitness masing-masing kromosom dihitung. Individu kemudian dipetakan, satu Ke satu di Interval kontinu dalam rentang o, jumlah Untuk memilih nomor acak individu dihasilkan dari 0 sampai jumlah dan individu yang membentang nomor acaknya dipilih Proses ini berulang sampai jumlah individu yang diinginkan dipilih Setelah calon individu ini diizinkan untuk berpartisipasi Dalam crossover dan mutasi untuk menghasilkan generasi berikutnya Dalam masalah kita, kita telah menyimpan probabilitas crossover dan mutasi 90 dan yaitu 0 90 dan HASIL EMPIRIS Pada bagian ini, kami menerapkan metodologi kami untuk data saham Bank Negara India yang diambil dari Bursa Efek Nasional India Data Dianalisis terdiri dari 36 pengamatan pada harga penutupan harian saham untuk periode 2 08200 sampai 29 2 2006 Periode optimasi didefinisikan antara 2 08 200 sampai 29 2 2006 Tabel Pengaruh ukuran populasi Populasi Ukuran 2 235 44 4 40 2 73 9 22 Max Profit Rs - Rs - Rs 936 - Rs 947 - R Rata-rata Rs - Rs - Rs - Rs - Max Return 6 60 4 27 60 39 50 38 Std dev of Profits Max profit st dev Gambar 3 Fungsi kebugaran rata - rata Pada kinerja untuk GA diterapkan untuk ukuran populasi yang berbeda Algoritma Genetika Hasil Crossover 0 90, Mutasi 0 0 Populasi 20 Populasi 50 Populasi 70 populasi Generasi Gambar 4 Kinerja fungsi fitness maksimal untuk GA diterapkan untuk ukuran populasi yang berbeda Masalah optimasi kami adalah untuk menentukan panjang rata-rata Moving Average Dan 2 yang menghasilkan keuntungan maksimal Lebih khusus lagi, kami tertarik untuk mengukur pengaruh perubahan dalam ukuran populasi 20, 50, 70, 00 dalam kinerja metode pengoptimalan berbasis GA yang menjaga jumlah evaluasi fungsi konstan terhadap penelitian sebelumnya kami 6, 7 mengungkapkan Kekhawatiran tentang kurangnya studi pada subjek tertentu 47,5 Tabel yang memberikan hasil optimasi GA untuk ukuran populasi yang berbeda Untuk mengukur pengaruh perubahan dalam ukuran populasi dalam mendapatkan solusi terbaik, kami telah memeriksa serangkaian statistik yang berbeda yaitu ukuran populasi 20, 50, 70,00 dengan satu generasi 25, 50, 35, 25 menjaga jumlah evaluasi fungsi Ns konstan ke Baris pertama tabel menunjukkan parameter terbaik yaitu Panjang MA dan 2 dari dua rata-rata bergerak untuk eksperimen yang dilakukan pada ukuran populasi yang berbeda Baris kedua, ketiga dan keempat menunjukkan keuntungan maksimal atau kebugaran, keuntungan rata-rata atau kesesuaian dan standar deviasi solusi Diperoleh untuk ukuran populasi yang berbeda Kami juga menghitung indeks efisiensi dengan membagi kebugaran maksimum dengan standar deviasi semua solusi untuk ukuran populasi yang berbeda seperti yang ditunjukkan pada tabel. Dengan melihat tabel, kita dapat mengatakan bahwa selama ukuran populasi meningkat sebaik mungkin Larutan yang diperoleh lebih tinggi Dalam hal kebugaran rata-rata, meningkat setelah ukuran populasi 20 dan kemudian seterusnya setelah ukuran populasi 50 menurun secara signifikan menunjukkan bahwa rangkaian solusi menjadi bising dan ada keragaman yang lebih banyak dalam larutan yang diperoleh karena ukuran populasi meningkat. Indeks efisiensi terbaik diperoleh dengan ukuran populasi 20 Hal ini juga terlihat bahwa populasi penduduk lebih rendah Ze mengarah pada kinerja yang lebih rendah yaitu kebugaran dengan tingkat kebugaran maksimum maksimum yang diperoleh Standar deviasi yang dihitung adalah ukuran keragaman atau dispersi pada populasi. Hal ini terlihat dari tabel dan dari gambar 3 dan 4, bahwa untuk populasi besar ukuran keragaman dalam populasi sangat besar dan terbaik. Larutan yang diperoleh mendekati nilai optimal Nilai dispersi meningkat seiring dengan bertambahnya jumlah populasi yang berarti volatilitas dalam larutan meningkat dengan ukuran populasi. Dari gambar 3 dan 4, diamati bahwa rata-rata kebugaran dan nilai fitness maksimal menjadi stagnan setelah beberapa generasi. Untuk ukuran populasi rendah 20 Hal ini disebabkan oleh fakta bahwa ada sedikit keragaman dalam populasi karena daya eksplorasi algoritma genetika ini menjadi terbatas sehingga menghasilkan kebugaran maksimum yang lebih rendah Dari tabel dan gambar 3 dan 4 diamati bahwa seiring dengan meningkatnya ukuran populasi Kualitas kebugaran maksimal juga meningkat Jadi dalam kasus populasi besar ada kemungkinan havi yang lebih besar Ng individu dalam populasi yang memiliki nilai fitness atau mendekati nilai optimal. Kami berkepentingan untuk mengetahui pengaruh perubahan dalam ukuran populasi sehubungan dengan jumlah generasi yang menjaga jumlah evaluasi fungsi konstan, sampai keseimbangan yang tepat tercapai. Ini akan membantu kita. Untuk membatasi penggunaan sumber daya komputasi intensif yang digunakan oleh GA, sehingga mengurangi waktu berjalan dan memungkinkan pencarian ruang yang lebih besar dalam waktu yang lebih rendah dan sumber komputasi Dari hasil penelitian kami, lihat gambar 3 dan 4 terlihat untuk jumlah populasi yang lebih sedikit dan jumlah generasi yang lebih banyak, Ini mengarah pada konvergensi pada optimum lokal Sebaliknya jika kita meningkatkan ukuran populasi dan mengurangi jumlah generasi, maka akan ada kesulitan dalam populasi beradaptasi dengan lingkungan. Dengan demikian keseimbangan antara ukuran populasi dan jumlah generasi diperlukan. Kita telah melihat dari gambar 4 Bahwa dalam hal ukuran populasi 00 kita mencapai kebugaran maksimal atau mendekati solusi optimal pada generasi awal. Namun demikian, lihatlah N dari tabel dan gambar 3 dan 4 bahwa perubahan ukuran populasi dari 50 sampai 70 tidak mempengaruhi hasil yang diperoleh secara signifikan Dari gambar 3 dan 4 diamati bahwa kebugaran maksimum dan rata-rata mengikuti tren positif saat generasi berlalu dan menjadi stabil setelah beberapa Generasi untuk semua ukuran populasi Hal ini terlihat Gambar 3 dan 4 rata-rata dan kebugaran maksimum meningkat dari waktu ke waktu Berkaitan dengan volatilitas dalam standar solusi deviasi meningkat dari pada saat ukuran populasi meningkat dari 20 sampai 00 Karena kebugaran maksimum ini juga meningkat dari Rs - ke Rs 947 - dan tingkat laju pengembalian keseluruhan juga meningkat dari 6 menjadi 50 Hal ini disebabkan oleh kenyataan bahwa keragaman meningkat dengan ukuran populasi dan kemampuan algoritma genetika untuk menemukan solusi optimal global Terlihat bahwa investor keuangan atau chartis umumnya menguji jangka pendek , Jangka menengah dan jangka panjang rata-rata bergerak pada data sebelumnya sebelum mengambil keputusan Tiga panjang rata-rata bergerak diturunkan dari peraturan di bidang keuangan literatu Seperti Brock 2 Terlihat bahwa rata-rata bergerak rata-rata seperti 0,30, 30,60, 50,50 sangat populer karena jangka waktu rata-rata bergerak jangka pendek, menengah dan jangka panjang dalam komunitas keuangan Aturan yang dihasilkan oleh GA diuji terhadap Ketiga panjang rata-rata bergerak Hasil ditunjukkan pada tabel 2 Di antara ketiga rata-rata bergerak rata-rata MA 30,60 ini menghasilkan yang terbaik Dengan hasil maksimal 90 02 dan keuntungan maksimum sistem berbasis Rs 535 - GA mencapai hasil maksimum 60 39 dan Keuntungan maksimal Rs 947 -, yang lebih baik dari pada MA 30,60 based rule Sebenarnya GA yang miskin dengan ukuran populasi 20 mendapatkan keuntungan maksimal RS - dan hasil maksimum 6 60 tercapai yang lebih baik dari pada short ini. , Rata-rata jangka menengah dan jangka panjang berdasarkan aturan main Tabel 2 Perbandingan Kinerja antara hasil yang dihasilkan GA untuk berbagai ukuran populasi dan tiga rata-rata pergerakan populer pada data uji Algoritma Genetika GA Hasil Ukuran 20 Ukuran 50 Ukuran 70 Max Profit Max Return Rs - 6 60 Rs - 4 27 Rs 936 Rs 947 Ukuran 00 Tertinggi Rs 947 Rs terendah - 60 Rata-rata Rs Std Dev Rata-rata Bergerak Teknis MA Aturan hasil terbaik di setiap kolom disorot MA 0,30 Rs MA 30,60 Rs 535 MA 50,50 Rs 326 Secara keseluruhan, kami telah mencapai keberhasilan dalam menerapkan GA untuk mencapai parameter optimalisasi sistem perdagangan teknis Tingkat pengembalian dan keuntungan yang tinggi secara keseluruhan Maksimum Keunggulan GA dikonfirmasi dalam hal tingkat pengembalian keseluruhan yang tinggi untuk rangkaian tes, yang menggambarkan kekuatan evolusioner Algoritma dan kecerdasan buatan dalam rekayasa keuangan 48.6 Memeriksa hasil di atas dan data eksperimen yang diperoleh dari sejumlah besar tes yang dilakukan, kami gagal memalsukan teori kekuatan Algoritma Genetika dalam menemukan solusi optimal global mengenai parameter kontrol Algoritma Genetika yaitu ukuran populasi dan jumlah Generasi Untuk sebagian besar kita dapat mengalahkan hipotesis pasar yang efisien EMH yang menyatakan bahwa informasi publik tercermin dalam harga saham an D tidak mungkin untuk mengalahkan pasar 6 KESIMPULAN DAN MASA DEPAN KERJA Karena analisis teknikal banyak digunakan sebagai alat dalam perdagangan saham, ini jarang difokuskan pada masalah optimasi parameter. Tujuan utama kami dalam makalah ini adalah untuk mendemonstrasikan bagaimana kemajuan baru di komputer. Teknik dan soft computing dapat digunakan untuk memperbaiki optimalisasi aturan teknis Sistem ini terutama diterapkan untuk memprediksi kinerja saham individu yaitu State Bank of India, data yang diambil dari Bursa Efek Nasional India yang menunjukkan bahwa ada beberapa perkiraan dalam data historis saja. Dengan konsep rata-rata bergerak yang merupakan indikator teknis serbaguna, sederhana dan paling populer yang digunakan dalam analisis pasar saham Kami memperkenalkan gagasan untuk mewakili strategi investasi sebagai peraturan, kapan harus membeli dan kapan harus menjual yang digabungkan ke dalam pernyataan kondisional yang melibatkan perbedaan rata-rata bergerak Selanjutnya Panjang rata-rata bergerak dikodekan sebagai string biner atau kromosom Dengan menerapkan GA jadi Perator seperti roda roulette, crossover, mutasi, kita berhasil menggunakan Algoritma Genetika untuk mengatasi optimalisasi parameter aturan perdagangan teknis dengan keuntungan dan return keseluruhan yang lebih tinggi. Hasil eksperimen kami menunjukkan bahwa GA s membantu dalam menemukan solusi optimal global Kami juga menemukan solusi itu. Peningkatan kebugaran maksimal yang berkualitas seiring bertambahnya jumlah populasi Di dalam kumpulan eksperimen kumpulan data yang terbatas dengan semua ukuran populasi, menunjukkan hasil yang serupa yaitu tingkat pengembalian keseluruhan yang tinggi. Hal ini diamati dari tabel 2 terdapat peningkatan return maksimum dan keuntungan maksimum dengan menggunakan pergerakan optimal. Panjang rata-rata yang diperoleh dari berbagai GAs dibandingkan dengan panjang rata-rata pergerakan populer yang diperoleh dari literatur keuangan Menganalisis data eksperimen dari sejumlah besar pengujian yang dilakukan, kesimpulan kami adalah bahwa proposisi ketahanan GA tetap masuk akal untuk penyetelan parameter sistem perdagangan teknis Kami Membawa sejumlah besar percobaan, tapi tetap bertahan Terbatas karena jumlah tes yang bisa kita lakukan sehubungan dengan ukuran populasi dan jumlah generasi tidak terbatas Jadi kesimpulannya sangat hati-hati Kita bisa mengalahkan EMH untuk sebagian besar dan menunjukkan bahwa analisis teknis memiliki nilai tertentu Akhirnya akan memotivasi untuk maju. Penelitian untuk menguji serangkaian sistem perdagangan kompleks yang berbeda dan melihat bagaimana kinerja GA pada sistem perdagangan lainnya Ini bisa menjadi topik penelitian masa depan kita 7 DAFTAR PUSTAKA V Kapoor, S Dey, AP Khurana Memodelkan Pengaruh Pasar Saham Dunia pada Indeks NSE India Diterbitkan di Prosiding Konferensi Internasional tentang Pemodelan dan Simulasi MS 09 Diselenggarakan oleh College of Engineering Trivandrum dan AMSE Thrivan Heidel, st -3 rd 2 Desember Brock, W Lakonishok, J LeBaron, B Aturan teknis dan stok stok stok yang sederhana Jurnal Keuangan XLVII 5 , 3 Xiaoqing Weng, Junyi Shen, Mendeteksi sampel outlier dalam kumpulan data seri multivarian Knowledge-Based Systems Elsevier 4 Jarl Kallberg, P Aolo Pasquariello, Time-series dan cross over sectional commovement dalam indeks saham Journal of Empirical Finance Elsevier 5 Kim Chang-Jin, Jeremy Pigerc, Richard Startz, Estimasi model regresi rejim rejim rejim dengan switching endogen Journal of Econometrics Elsevier 6 Nicolaas Groenewold, Sam Hak Kan Tang, Yanrui Wu, Profitabilitas peraturan perdagangan berbasis regresi untuk pasar saham Shanghai Journal of Empirical Finance Elsevier 7 Andr sebagai Heinen, Erick Rengifo, pemodelan autoregresif multivariat data time series count menggunakan kopulas Journal of Empirical Finance Elsevier 8 P Manchandaa, J Kumara, AH Siddiqi, Metode matematis untuk memodelkan fluktuasi harga seri keuangan kali ini Journal of the Franklin Institute Elsevier 9 Michael D McKenzie, Kim Suk-Joong, Bukti asimetri dalam hubungan antara volatilitas dan autokorelasi Tinjauan Internasional Analisis Keuangan Elsevier 0 RH Loschi, PL Iglesias, RB Arellano-Valle, FRB Cruz, Pemodelan prediktif penuh atas data pasar saham Aplikasi untuk mengubah masalah titik European Journal of Operational Research Elsevier Agarwal, SK Deb, Memahami interaksi antara parameter algoritma genetika Dalam Banzhaf, W Reaves, C Dasar algoritma genetika Vol 2 HE Aguirre, K Tanaka, Paralel bervariasi Algoritma genetika mutasi, transaksi IEEE, 3 DE Goldberg, Mengoptimalkan populasi untuk algoritma genetika serial dan paralel, Di Schaffer, JD Ed, Prosiding Konferensi Internasional Ketiga tentang Algoritma Genetika Morgan Kaufmann, Los Altos, CA, hal. 989 4 H Muhlenbein, How Algoritma genetika benar-benar bekerja I Mutasi dan pendakian Hill, Algoritma algoritma genetika II pp 5-25, 992 Tersedia Online 5 DE Goldberg Algoritma genetika dalam pencarian, pembelajaran mesin pengoptimalan New York Addison Wisley, 989 6 V Kapoor, S Dey, AP Khurana, Analisis Empiris dan Rekompinasi Rujukan Acak Crossover dan Mutasi pada Algoritma Genetika Jurnal Internasional Komputer A Pplication Edisi Khusus tentang Komputasi Evolusioner 25 30, 200 Diterbitkan oleh Yayasan Ilmu Komputer Tersedia Online 49.7 7 V Kapoor, S Dey, AP Khurana Studi Empiris tentang Peran Parameter Kontrol Algoritma Genetika dalam Masalah Optimalisasi Fungsi Jurnal Internasional Volume Aplikasi Komputer 3 Nomor 6 20-26, Edisi Oktober 20 Tersedia Online 8 RJ Bauer Jr Algoritma genetika dan strategi investasi, John Wiley Sons, Inc, New York, 994 9 RJ Bauer, GE Liepins, Algoritma genetika dan strategi perdagangan terkomputerisasi di DEO Leary, PR Watkins Eds, Sistem Pakar di bidang Keuangan, penerbit Ilmu Pengetahuan Elsevier, Amsterdam, Belanda, 992 20 F Allen, R Karjalainen Menggunakan algoritma genetika untuk menemukan peraturan perdagangan teknis Jurnal Ekonomi Keuangan 5 999 2 S Mahfoud, G Mani, Peramalan keuangan menggunakan algoritma genetika Jouranal Kecerdasan Buatan Terapan 0 6 996 22 De Jong, KA Analisis tentang perilaku kelas sistem adaptif genetik Di Ssertation Abstraks Internasional 36 0 540B University Microfilms No 975 23 Ramon Lawrence, Menggunakan Jaringan Syaraf Tiruan untuk Memrediksi Harga Pasar Saham 24 Korczak, J Roger, P Waktu stok menggunakan algoritma genetika Model Stochastic Terapan dalam Bisnis dan Industri Pp 25 Jin Li, Edward PK Tsang, Meningkatkan Prediksi Analisis Teknis Penerapan asosiasi Amerika GP AI 999 26 Laura Nu n ez-letamendia, Prameter kontrol pasak dari algoritma genetika Aplikasi untuk rancangan sistem perdagangan teknis Jurnal riset operasional Eropa 27 RJ Kuo, CH Chen, YC Hwang An Sistem pendukung keputusan perdagangan saham cerdas melalui integrasi algoritma genetika berbasis jaringan syaraf tiruan dan jaringan syaraf tiruan Sistem penjadwalan fuzzy 8 200pengetahuan Algoritma Genetika untuk Strategi Perdagangan. Malah makalah ini sebagai Kroha P Friedrich M 2014 Perbandingan Algoritma Genetika untuk Strategi Perdagangan di Geffert V Preneel B Rovan B tuller J Tjoa AM eds SOFSEM 2014 Teori dan Praktik Ilmu Komputer SOFSEM 2014 Catatan Kuliah di Ilmu Komputer, jilid 8327 Springer, Cham. In kontribusi ini, kami menggambarkan dan membandingkan dua sistem genetik yang menciptakan strategi perdagangan Sistem pertama didasarkan pada gagasan bahwa matriks bobot koneksi dari jaringan syaraf tiruan mewakili Genotipe individu dan dapat diubah oleh algoritma genetika Sistem kedua menggunakan pemrograman genetika untuk mendapatkan strategi perdagangan Sebagai data masukan dalam eksperimen kami, kami menggunakan indikator teknis dari saham NASDAQ Sebagai keluaran, algoritma menghasilkan strategi perdagangan, yaitu membeli, menahan, dan sell signals Our hypothesis that strategies obtained by genetic programming bring better results than buy-and-hold strategy has been proven as statistically significant We discuss our results and compare them to our previous experiments with fuzzy technology, fractal approach, and with simple technical indicator strategy. Genetic algorithms neurogenetic approach neuroevolutionary system genetic programming neural network investment forecast trading financial modeling technical analysis. Allen, F Karjalainen, R Using genetic algorithms to find technical trading rules Journal of Financial Economics 51, 245 271 1999 CrossRef Google Scholar. Azzini, A Tettamanzi, A Evolving Neural Networks for Static Single-Position Automated Trading Journal of Artificial Evolution and Applications, 1 17 2008.Brabazon, A O Neill, M Biological Inspired Algorithms for Financial Modelling Springer 2006.Brabazon, A O Neill, M Dempsey, I An Introduction to Evolutionary Computation in Finance IEEE Computational Intelligence Magazine, 42 55 2008.El-Henawy, I M Kamal, A H Abdelbary, H A Abas, A R Predicting Stock Index Using Neural Network Combined with Evolutionary Computation Methods In The 7th International Conference on Informatics and Systems INFOS , pp 1 6 2010.Fama, E Efficient capital markets A review of theory and empirical work Journal of Finance 25, 383 417 1970 CrossRef Google Scholar. Kapoor, V Dey, S Khurana, A P Genetic Algorithm An Application to Technical Trading System Design International Journal of Computer Applications 36 5 2011.Kroha, P Lauschke, M Using Fuzzy and Fractal Methods for Analyzing Market Time Series In Proceedings of the International Conference on Fuzzy Computation and International Conference on Neural Computation ICFC 2010 and ICNC 2010, pp 85 92 2010.Kwon, Y - K Moon, B - R A Hybrid Neurogenetic Approach for Stock Forecasting IEEE Transactions on Neural Networks 18, 851 864 2007 CrossRef Google Scholar. Li, R Xiong, Z A Modified Genetic Fuzzy Neural Network with Application to Financial Distress Analysis In International Conference on Computational Intelligence for Modeling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce 2006.Malkiel, B A Random Walk Down Wall Street W W Norton, New York 1996 Google Scholar. Matsui, K Sato, H Neighborhood Evaluation in Acquiring Stock Trading Strategy Using Genetic Algori thms International Journal of Computer Information Systems and Industrial Management Applications 4, 366 373 2012 Google Scholar. Murphy, J J Technical Analysis of the Financial Markets Prentice Hall 1999.Skabar, A Cloete, I Neural networks, Financial Trading and the Efficient Markets Hypothesis In Proceedings of the Twenty-Fifth Australasian Conference on Computer Science ACSC 2002, vol 4, pp 241 249 2002.Shleifer, A Inefficient Markets An Introduction to Behavioral Finance Oxford University Press 2000.Copyright information. Springer International Publishing Switzerland 2014.Authors and Affiliations. Matthias Friedrich.1 Faculty of Information Technology, Department of Software Engineering Czech Technical University in Prague Praha 6 Czech Republic.2 Chemnitz University of Technology Chemnitz Germany. About this paper. Using Genetic Algorithms To Forecast Financial Markets. Burton suggested in his book, A Random Walk Down Wall Street , 1973 that, A blindfolded monkey throwing darts at a newspaper s financial pages could select a portfolio that would do just as well as one carefully selected by experts While evolution may have made man no more intelligent at picking stocks, Charles Darwin s theory has quite effective when applied more directly To help you pick stocks, check out How To Pick A Stock. What Are Genetic Algorithms. Genetic algorithms GAs are problem solving methods or heuristics that mimic the process of natural evolution Unlike artificial neural networks ANNs , designed to function like neurons in th e brain, these algorithms utilize the concepts of natural selection to determine the best solution for a problem As a result, GAs are commonly used as optimizers that adjust parameters to minimize or maximize some feedback measure, which can then be used independently or in the construction of an ANN. In the financial markets genetic algorithms are most commonly used to find the best combination values of parameters in a trading rule, and they can be built into ANN models designed to pick stocks and identify trades Several studies have demonstrated that these methods can prove effective, including Genetic Algorithms Genesis of Stock Evaluation 2004 by Rama, and The Applications of Genetic Algorithms in Stock Market Data Mining Optimization 2004 by Lin, Cao, Wang, Zhang To learn more about ANN, see Neural Networks Forecasting Profits. How Genetic Algorithms Work. Genetic algorithms are created mathematically using vectors, which are quantities that have direction and magnitude Parameters f or each trading rule are represented with a one-dimensional vector that can be thought of as a chromosome in genetic terms Meanwhile, the values used in each parameter can be thought of as genes, which are then modified using natural selection. For example, a trading rule may involve the use of parameters like Moving Average Convergence-Divergence MACD Exponential Moving Average EMA and Stochastics A genetic algorithm would then input values into these parameters with the goal of maximizing net profit Over time, small changes are introduced and those that make a desirably impact are retained for the next generation. There are three types of genetic operations that can then be performed. Crossovers represent the reproduction and biological crossover seen in biology, whereby a child takes on certain characteristics of its parents. Mutations represent biological mutation and are used to maintain genetic diversity from one generation of a population to the next by introducing random small chan ges. Selections are the stage at which individual genomes are chosen from a population for later breeding recombination or crossover. These three operators are then used in a five-step process. Initialize a random population, where each chromosome is n - length, with n being the number of parameters That is, a random number of parameters are established with n elements each. Select the chromosomes, or parameters, that increase desirable results presumably net profit. Apply mutation or crossover operators to the selected parents and generate an offspring. Recombine the offspring and the current population to form a new population with the selection operator. Repeat steps two to four. Over time, this process will result in increasingly favorable chromosomes or, parameters for use in a trading rule The process is then terminated when a stopping criteria is met, which can include running time, fitness, number of generations or other criteria For more on MACD, read Trading The MACD Divergence. Using Genetic Algorithms in Trading. While genetic algorithms are primarily used by institutional quantitative traders individual traders can harness the power of genetic algorithms - without a degree in advanced mathematics - using several software packages on the market These solutions range from standalone software packages geared towards the financial markets to Microsoft Excel add-ons that can facilitate more hands-on analysis. When using these applications, traders can define a set of parameters that are then optimized using a genetic algorithm and a set of historical data Some applications can optimize which parameters are used and the values for them, while others are primarily focused on simply optimizing the values for a given set of parameters To learn more about these program derived strategies, see The Power Of Program Trades. Important Optimization Tips and Tricks. Curve fitting over fitting , designing a trading system around historical data rather than identifying repeatable beha vior, represents a potential risk for traders using genetic algorithms Any trading system using GAs should be forward-tested on paper before live usage. Choosing parameters is an important part of the process, and traders should seek out parameters that correlate to changes in the price of a given security For example, try out different indicators and see if any seem to correlate with major market turns. Genetic algorithms are unique ways to solve complex problems by harnessing the power of nature By applying these methods to predicting securities prices, traders can optimize trading rules by identifying the best values to use for each parameter for a given security However, these algorithms are not the Holy Grail, and traders should be careful to choose the right parameters and not curve fit over fit To read more about the market, check out Listen To The Market, Not Its Pundits. The maximum amount of monies the United States can borrow The debt ceiling was created under the Second Libert y Bond Act. The interest rate at which a depository institution lends funds maintained at the Federal Reserve to another depository institution.1 A statistical measure of the dispersion of returns for a given security or market index Volatility can either be measured. An act the U S Congress passed in 1933 as the Banking Act, which prohibited commercial banks from participating in the investment. Nonfarm payroll refers to any job outside of farms, private households and the nonprofit sector The U S Bureau of Labor. The currency abbreviation or currency symbol for the Indian rupee INR , the currency of India The rupee is made up of 1.
No comments:
Post a Comment