الجينية خوارزمية ل - تطبيق ل التقني المتاجرة نظام التصميم

الخوارزمية الجينية تطبيق لنظام التصميم التجاري التقني 1. الخوارزمية الجينية تطبيق لتصميم نظام التداول التقني V معهد كابور للتكنولوجيا الهندسية، جامعة ديفي أهيليا، إندور S دي المعهد الهندي للإدارة إندور أب مدرسة خورانا للعلوم الحاسوبية جامعة ديفي أهيليا، إندور جدول محتويات الاصدار لوادينغ ... لوادينغ ... الخلاصة الملخص أظهرت الدراسات الحديثة أنه في سياق الأسواق المالية يعتبر التحليل الفني أداة مفيدة جدا للتنبؤ بالاتجاهات. عادة ما تستخدم قواعد المتوسط ​​المتحرك لاتخاذ قرارات الشراء أو البيع على أساس يومي نظرا لقدرتها على تغطية مساحات البحث الكبيرة ذات المستوى المنخفض نسبيا الجهد الحسابي، يمكن أن تكون الخوارزميات الجينية غا فعالة في تحسين أنظمة التداول الفنية تدرس هذه الورقة مشكلة كيف يمكن استخدام غا لتحسين أداء قاعدة تداول معينة من خلال تحسين معلماتها، وكيف يمكن للتغييرات في تصميم الجمعية العامة نفسها تؤثر على جودة الحل التي تم الحصول عليها في سياق نظام التداول التقني في منطقتنا تيودي، لقد ركزنا على استغلال قوة الخوارزميات الجينية لضبط معايير قواعد التداول التقنية في خلفية الأسواق المالية نتائج التجارب على أساس بيانات الأوتار الحقيقية تثبت أن القاعدة الأمثل التي تم الحصول عليها باستخدام الجمعية العامة يمكن أن تزيد من الأرباح التي تم الحصول عليها بشكل كبير مقارنة ب متوسط ​​مدة التحرك التقليدية التقليدية قواعد التداول مأخوذة من الأدبيات المالية الكلمات المفتاحية الخوارزميات الجينية غا s، حجم السكان، نظام التداول، القاعدة الفنية مقدمة يساور المستثمرون في سوق الأسهم القلق بشأن تعظيم معدل العائد أو الربح في السنوات الأخيرة، وكان هناك زيادة كبيرة في عدد البحوث التي تركز على الاستثمار في سوق الأوراق المالية نظرا لكمية هائلة من البيانات المتاحة، يواجه المستثمرون صعوبة في اتخاذ القرارات، بشأن كيفية كسب أرباح أعلى من تجارة الأسهم وقد فشلت العديد من الخبراء في النظرية المالية في محاولاتهم التنبؤ الاتجاه في السوق تماما، بسبب الاتجاه الصاخب والمتذبذب للأسعار فرضية السوق الفعالة إمه هي واحدة من أهم أساسيات نظرية التمويل الحديثة التي تنص على أنه من المستحيل التغلب على السوق التحليل الفني هو طريقة شعبية تستخدم في تداول الأسهم هناك الكثير من الأدب المكرس لقواعد التحليل الفني التي من المفترض أن تكون قادرة على تحديد الاتجاهات الصعودية أو الهبوطية أو الانتكاسات في مسارات الأسعار 4، 8، 9، 0 التحليل الفني يفترض أن الاتجاهات المستقبلية يمكن أن يعترف بأنها وظيفة من الأسعار الماضية بالنسبة للقلة القليلة الماضية سنوات كانت هناك مناقشة مركزة بين الممارسين والأكاديميين حول فائدة قواعد التداول الفنية وفرضية السوق الفعالة إمه كانت المحاولات المبكرة لاستخدام المؤشرات الفنية مبنية على مرشحات بسيطة 2 وفي حين أن تحليل الأدبيات حول التحليل الفني متاح يمكن للمرء أن يشعر بعدم الارتياح في بعض الأحيان، وتوافر عدد لا حصر له تقريبا من القواعد التجارية التقنية العديد من الطرق التي يمكن ب ه تطبيق تم استخدام المتوسطات المتحركة مؤخرا من قبل بروك 2، ويظهر عملهم أن النتائج المربحة يمكن الحصول عليها باستخدام هذا الأسلوب نظام المتوسط ​​المتحرك البسيط، وتستخدم عادة في محاكاة التداول، ولها مجموعتين من المعلمات أطوال اثنين من المتوسطات المتحركة كما يمكن أن تغطي أطوال المتوسط ​​المتحرك أطر زمنية مختلفة من يوم إلى 500 يوم وما إلى ذلك، واستخدام المعلمات الصحيحة أي أطوال في بناء قواعد التداول هو مهم جدا أيضا، هناك عدد كبير من مجموعات المعلمات المختلفة للتحرك متوسط ​​القواعد مما يجعل من المستحيل اختبار كل منهم يدويا كجزء من عملية صنع القرار ولذلك، فمن الضروري لتطوير الطرق الآلية لتحسين نظم التداول الأمثل هو عملية البحث التي من خلالها يمكن اكتشاف أفضل حل انها ببساطة طريقة أو خوارزمية تسمح لنا أن العثور على أفضل أو على مقربة من أفضل حل ممكن لمشكلة معينة في حالة نظام التداول أو القاعدة الأمثل يمكن القيام بذلك للعثور على مجموعة معينة من المعلمات قاعدة أفضل حل أو اللياقة البدنية الحالية لمشكلة معينة يمكن اكتشافها في عدد من الطرق يتم حل بعض المشاكل البسيطة عن طريق التجربة والخطأ، وغالبا ما تسترشد البصيرة الإنسان منذ الدماغ البشري هو واحد من أقوى أنظمة الاستدلال الأمثل على الأرض في بعض الحالات، يتم استخدام التحسين التحليلي مثل تطوير نماذج الانحدار المتعدد، 3، 5، 6، 7 أو حساب التفاضل والتكامل القائم على الإجراءات لمزيد من النظم المعقدة معقدة أو خوارزميات مطلوبة من حيث القيمة الحقيقية هو خوارزمية نفذت مع رمز البرمجة في بعض لغة الكمبيوتر في حالة استخدام أجهزة الكمبيوتر محاكاة عملية التطور والخوارزميات الجينية القيام به هو وسيلة جديدة جدا لاكتشاف أو إيجاد حلول ذات جودة عالية للمشاكل المعقدة غاس هي خوارزميات مجازية على أساس البقاء للأصلح المبدأ، ولا تضمن الحل الأمثل عالميا، فقط على مقربة من الأمثل واحد وقد تبين رسميا أن يكون نهجا ملحوظا بشكل ملحوظ ل تحسين وظائف غير الخطية 4 و 8 و 9 وظيفة اللياقة البدنية المستخدمة في غاس هو كتلة من رمز البرمجة التي تعكس جاذبية حل معين في حال مشكلتنا يتم تفسير اللياقة البدنية على أنها صافي الربح للتخفيض الشديد الهدف من العمل الموصوف في هذه الورقة هو التحقيق في كيفية استخدام الخوارزميات الجينية، وهي فئة من الخوارزميات في الحساب التطوري لتحسين أداء قاعدة تداول معينة، وكيف يمكن للتغييرات في تصميم الجمعية العامة نفسها أن تؤثر على جودة الحل التي تم الحصول عليها في السياق من نظام التداول الفني هنا هدفنا الرئيسي هو اكتشاف 44.2 مجموعة الأمثل من المعايير حكم التداول تقييمها على سلسلة زمنية مالية حقيقية أي البيانات التاريخية ليس هدفنا لتوفير التبرير النظري أو التجريبي للتحليل الفني ويتمحور هذا البحث في ما يلي في القسم 2، يتم وصف مجموعة البيانات والمنهجية في القسم 3، القسم 4 يشرح النظام المقترح على أساس غا، القسم 5 مكرس لدراسة أداء هذا النهج الاستنتاجات وبعض الامتدادات المقترحة التالية القسم مسح المساحة الخوارزميات الجينية هي البحث وإجراءات التحسين العالمية على أساس مبادئ التطور البيولوجي الطبيعي غا هو محاولة للجمع بين الكمبيوتر العلوم والتطور الطبيعي هو محاولة لتقليد قوة التطور الطبيعي في برنامج الكمبيوتر داروين نظرية الانتقاء الطبيعي هو مصدر إلهام ل غا غا هو مؤشر ستوكاستيك في الطبيعة، بحيث تستفيد من فرصة عشوائية في عملية غا يبدأ مع اختيار عشوائي السكان من المرشحين الذين يتم تقييمهم وفقا لدالة اللياقة البدنية محددة ومن ثم تطورت الحلول الأحدث باستخدام عوامل وراثية مثل الاختيار، كروس والتحور انظر التين الخوارزمية الجينية الشكل الخوارزمية الجينية بدءا من الجيل العشوائي، غا الهدف هو تحسين اللياقة البدنية للحلول كما يمر جيل بواسطة يتم تحديد حالة التوقف كما وصل عدد ثابت من الأجيال أو تحقيق مستوى اللياقة مرضية والسبب وراء كروس هو أنه إذا تم تمثيل اثنين من الوالدين بمستوى عال من اللياقة البدنية، عبور لهم سيؤدي إلى حلول أفضل النسل كما مساحة البحث كبيرة، والحفاظ على كمية من العشوائية من خلال الأجيال من قبل مشغل الطفرة تطبيق نادرا، وذلك لأن السكان لا يفقد التنوع الوراثي الهدف الرئيسي من غا هو اكتشاف الخبراء أو الحلول الأمثل تقريبا غا يتميز بالسرعة هو عدة مرات أسرع من القوة الغاشمة طريقة الأمثل وخصوصا عندما تواجه انفجار كومبيناتوريال وقد تم بالفعل تقييم تطبيق غا لتداول الأسهم من قبل عدد من الباحثين غا على التطبيقات المالية وقد أظهرت نتائج واعدة باور 8 تستخدم غا لتوليد قواعد التداول التي هي التعبير منطقي لوعي بلدي الورقة الأولى التي تربط غا ق للاستثمارات كانت من باور و ليبينز 9 باور 9 في كتابه الخوارزميات الجينية واستراتيجية الاستثمار عرضت توجيهات واقعية بشأن كيفية استخدام غا لوضع استراتيجيات تجارية مدهشة استنادا إلى معلومات أساسية يمكن توسيع هذه التقنيات بسهولة لتشمل معلومات النوع الآخر مثل قواعد التداول الفنية وكذلك الأسعار السابقة وفقا ألين و كارجالينن 20، الخوارزمية هي الطريقة المناسبة لاكتشاف قواعد التداول الفنية. بعض الدراسات الأخرى التي يقوم بها محفود وماني 2 هي التي تقدم نظاما جديدا يستند إلى الخوارزميات الجينية وتطبيقه على مهمة التنبؤ بالأداء المستقبلي للأسهم الفردية والبرمجة الوراثية للتنبؤ بالنقد الأجنبي و ذكرت بعض النجاح غولدبيرغ 5 ودي جونغ 22 تشير إلى أن مجموعة من المعلمات السيطرة كروس 0 0، حجم الطفرة السكان 300 يعمل بشكل جيد عبر العديد من المشاكل باور 8 أداء سلسلة من المحاكاة بشأن مشاكل التحسين المالي وأقامت قوة اقتراحات غولدبرغ رامون لورانس 23 درس طرق استخدام غا لتدريب الشبكة العصبية نظام التداول كوركزاك 24 تستخدم غا للبحث مجموعة من قواعد التداول التي تعطي إشارات البيع والشراء على الأسهم الفردية جين لي 25 تستخدم البرمجة الوراثية لتحسين التنبؤات الفنية التحليل لورا نو ن إز-ليتامنديا 26 وغيرها الكثير 27 تطبيق غا لتحسين المعلمات من قاعدة التداول وفقا ل لورا نو n إز-ليتامنديا 26 غا العمل بشكل أفضل في كروس عالية واحتمال طفرات منخفضة وحجم سكاني معتدل انظر أيضا 6، 7 3 المنهجية على الرغم من أننا يمكن بناء عدد لا نهاية لها من قواعد التداول من خلال الجمع بين كبير عدد من المؤشرات الفنية ومشغلي الحساب، وبعض هذه القواعد هي شعبية، وتستخدم على نطاق واسع من قبل الممارسين وجذبت انتباه الأكاديميين واحدة من هذه القواعد المعروفة هو عبور المتوسطات المتحركة ويعرف متوسط ​​بأنه متوسط ​​سعر آخر أيام n و كلمة نقل يعني أن مجموعة من الأسعار التي متوسطها يتحرك باستمرار مع مرور الوقت المتحرك المتوسط ​​هو مؤشر متخلفة الذي يستخدم لمسطحة بيانات لا يمكن التنبؤ بها أو صاخبة من أجل الحصول على الاتجاه الصحيح للأسعار ويستند حكم التجارة يسمى عبور المتوسطات المتحركة على الإشارات الناتجة عن عبور ما s من أطوال مختلفة ويعطى المتوسط ​​المتحرك لأيام n بواسطة n بت n i0 حيث P تي هو سعر إغلاق اليوم تي و n يدل على عدد الأيام الماضية التي اتخذت لمتوسط ​​متحرك بناء أي طول ما بيع وشراء إشارات ما ولدت في ما يلي إشارة شراء أو موقف طويل وفقا للحديث السوق يؤخذ عندما أقصر ما هي أكبر من أطول ما 2 بت i بت i iq 2 i0 2 i0 حيث 2 تؤخذ إشارة بيع أو موقف قصير وفقا للحديث السوق عندما أقصر ما هو أقل من أطول ما 2 بت i بت i i 2 2 i0 45.3 حيث 2 المعلمات أي أطوال اثنين من المتوسطات المتحركة و 2 يتم اختيارها من الناحية النظرية أو غريزي من قبل التاجر يمكن أن يكون هناك العديد من التوليفات الممكنة إذا كنا محصورة عدد الأيام لبناء ما إلى 500، أي سيكون هناك 2، 50،000 عدد من المعلمات المعلمات للقاعدة على أساس على كرو سسينغ أوف موفينغ أفيراجيس وهكذا بهذه الطريقة يزداد مساحة البحث أضعافا مضاعفة أي عدد المعلمات التي سيتم ضبطها مع تضمين المؤشرات الفنية في نظام التداول، حيث أن كل مؤشر يتكون من معلمة واحدة على الأقل في حالة نظام التداول علينا أن نجد مزيج من المعلمات التي تعطي أفضل أو الأداء الأمثل أو الربح في حالة عبور نظام التداول القائم على ما، هدفنا الرئيسي هو العثور على المعلمات أي أطوال اثنين من ما و 2 منها إشارات التداول شراء أو بيع يعطينا أفضل عائد وبالتالي تحسين نظام التداول لدينا يعني تعظيم وظيفة اللياقة البدنية لدينا مثل الربح الذي يعطى من قبل ترف و 4 ط دري بي بي إق 5 تر f هو العائد الكلي لفترة العينة در ط هو العائد اليومي لليوم ط، P ط يدل على سعر السهم ل اليوم i هو المتغير وهمية الذي يولد قيمة لشراء إشارات طويلة و - للبيع إشارات قصيرة نظام التداول يأخذ بيع وشراء المراكز، ولكن لا خارج السوق مواقف لا يتم تضمين تكاليف المعاملات كما لدينا ماي ن الهدف في هذه الورقة هو إيجاد إمكانية حل مشكلة التحسين باستخدام الخوارزمية الجينية فيما يتعلق بالتغير في حجم السكان الحفاظ على عدد من التقييمات وظيفة ثابتة وإثبات متانة الخوارزمية الجينية 4 المستندة إلى نظام الجيني الخوارزمية المستندة إلى C و البصري الأساسي وقد وضعت الخوارزمية الجينية من قبل هولندا هو البحث وتحسين الإجراء على أساس مبادئ التطور البيولوجي الطبيعي غا ق تختلف مع إجراءات التحسين الأخرى في طرق قليلة غا العمل مع الترميز المعلمات لا مع المعلمات بشكل فردي وبالتالي غا ق يمكن التعامل مع المتغيرات الثنائية غا s البحث من السكان من النقاط، وليس نقطة واحدة حتى يتمكنوا من تقديم الحلول المثلى عالميا وأخيرا غا يعمل على وظيفة اللياقة البدنية ليس على أي المعرفة الثانوية الأخرى وبالتالي غا s مفيدة في إيجاد حلول عالمية للوظائف غير المستمرة وغير التفاضلية التي توجد بالفعل في مشاكل الأمثل العملية بنية النظام في بحثنا هو وتنقسم إلى قسمين وحدة خوارزمية الجينية في C وحدة اللياقة البدنية وحدة في البصرية الأساسية يتم تخزين البيانات الخاصة بنا على أي تجربة يتم تنفيذها في ميكروسوفت إكسيل لا تهيئة السكان الكروموسومات تقييم قيمة وظيفة اللياقة البدنية تطبيق عامل اختيار تطبيق عامل كروس تطبيق عامل التشغيل طفرة تقييم قيمة وظيفة اللياقة البدنية هل السكان الحاليين يلبون سلفا شرط التوقف غا وحدة في C وحدة اللياقة البدنية وظيفة في البصرية الأساسية اختبار البيانات التداول وحدة توليد إشارة وحدة محاكاة التداول وظيفة اللياقة البدنية أو نتيجة الربح نعم أفضل كروموسوم أو قاعدة التداول الشكل 2 عملية المحاكاة يتم ترميز كل معلمة في الخوارزمية الجينية كما ثنائي سلسلة ومسلسلة لتشكيل كروموسوم أقصر متوسط ​​متحرك يذهب من جلسة إلى 256 جلسة أي طول السلسلة من 8 بت إكس 0000، أطول المتوسط ​​المتحرك يذهب من جلسة إلى 52 جلسة أي طول السلسلة من 9 بت إكس 0000 وهكذا مجموع مساحة البحث من 7 بت إكس 0000 0000 إي 2 7 في دراستنا لدينا الموارد الحسابية المحدودة المستخدمة من خلال اختيار العدد الإجمالي للتقييمات وظيفة إلى نحن تشغيل كل تجربة مع أحجام السكان 20 و 50 و 70 و 00، والحفاظ على عدد من التقييمات وظيفة ثابتة ويبدأ مع السكان بشكل عشوائي يتم اختبار هذه الحلول وفقا لذلك إلى وظيفة اللياقة البدنية الواردة في المعادلة 4 و 46.4 الحد الأقصى للياقة البدنية المجلة الدولية لتطبيقات الكمبيوتر 5 من أجل الحصول على حل أفضل للجيل القادم كل كروموسوم تبادل المعلومات باستخدام عامل كروس تقليد من الوراثة الطبيعية للحصول على حل أفضل يستخدم طفرة المشغل لإضافة التنوع العشوائي في الحل 6 اللياقة البدنية وظيفة لقياس جودة الحل من كل كروموسوم في السكان لقد استخدمنا طريقة اختيار عجلة الروليت الذي يختار الفرد الاحتمالية على أساس أدائها في حالة الروليت عجلة اختيار مجموع وظيفة اللياقة البدنية من الكروموسومات الفردية وتحسب يتم تعيين الأفراد ثم واحد إلى واحد في الفواصل الزمنية المستمرة في النطاق س، سوم لتحديد رقم فردي يتم تكوينه من 0 الى المجموع والفرد الذي يمتد الرقم العشوائي يتم اختيار هذه العملية حتى يتم اختيار العدد المطلوب من الأفراد بعد هذا المرشحين الفرديين يسمح لهم بالمشاركة في كروس وطفرة لإنتاج الجيل القادم في مشكلتنا أبقينا كروس والاحتمالات طفرة 90 و أي 0 90 والنتائج الاستباقية في هذا القسم، ونحن نطبق منهجيتنا لبنك الدولة من بيانات الأسهم الهند مأخوذة من البورصة الوطنية في الهند البيانات تم تحليلها من 36 ملاحظة عن أسعار الإقفال اليومية للمخزون للفترة من 2 08 200 إلى 29 2 2006 الفترة المثلى محددة بين 2 08 200 إلى 29 2 2006 الجدول حجم السكان الحجم السكان الحجم 2 235 44 4 40 2 73 9 22 الحد الأقصى الربح روبية - روبية - روبية 936 - روبية 947 - متوسط ​​روبية الربح - روبية - روبية - روبية - أقصى عودة 6 60 4 27 60 39 50 38 ستد ديف من الأرباح ماكس الربح ست ديف الشكل 3 متوسط ​​اللياقة البدنية فونكتي على الأداء ل غا تطبق على مختلف الأحجام السكانية الخوارزمية الجينية النتائج كروس 0 90، طفرة 0 0 عدد السكان 20 عدد السكان 50 عدد السكان 70 عدد السكان الأجيال الشكل 4 أداء وظيفة اللياقة البدنية القصوى ل غا تطبيقها لمختلف الأحجام السكانية لدينا مشكلة الأمثل هو تحديد الأمثل المتوسطات المتحركة أطوال و 2 التي تولد تعظيم الأرباح على وجه الخصوص نحن مهتمون لقياس تأثير التغيرات في حجم السكان 20، 50، 70، 00 في أداء غا أساس طريقة التحسين الحفاظ على عدد من التقييمات وظيفة ثابتة لبحوثنا السابقة 6، 7 يعبر عن القلق حول عدم وجود دراسة في موضوع معين 47.5 الجدول قدم نتائج التحسين غا لمختلف الأحجام السكانية من أجل قياس تأثير التغيير في حجم السكان في الحصول على أفضل حل قمنا بفحص سلسلة من الإحصاءات المختلفة أي حجم السكان من 20، 50، 70،00 مع جيل من 25، 50، 35، 25 حفظ عدد من وظيفة إيفالواتيو نس ثابت إلى الصف الأول من الجدول يبين أفضل المعلمات أي أطوال ما s و 2 من اثنين من المتوسطات المتحركة للتجربة أجريت على أحجام مختلفة من السكان الصف الثاني والثالث والرابع يظهر أقصى قدر من الربح أو اللياقة البدنية، ومتوسط ​​الربح أو اللياقة البدنية والانحراف المعياري للحلول التي تم الحصول عليها لأحجام مختلفة من السكان كما قمنا بحساب مؤشر الكفاءة من خلال تقسيم أقصى قدر من اللياقة البدنية عن طريق الانحراف المعياري من كل حل لمختلف الأحجام السكانية كما هو مبين في الجدول من خلال النظر في الجدول يمكننا أن نقول أنه طالما يتم زيادة حجم السكان على أفضل وجه ممكن الحل الذي تم الحصول عليه هو أعلى في حالة متوسط ​​اللياقة البدنية، فإنه يزيد بعد حجم السكان من 20 وبعد ذلك فصاعدا بعد حجم السكان من 50 أنه ينخفض ​​بشكل ملحوظ تبين أن سلسلة حل تصبح صاخبة في الطبيعة، وهناك المزيد من التنوع في الحل التي تم الحصول عليها مع زيادة حجم السكان ويتم الحصول على أفضل مؤشر كفاءة من قبل حجم السكان من 20 وينظر أيضا أن انخفاض عدد سي زي يؤدي إلى انخفاض الأداء أي الحد الأدنى من اللياقة البدنية التي تم الحصول عليها الانحراف المعياري المحسوب هو قياس التنوع أو التشتت في السكان ويتضح من الجدول ومن الشكلين 3 و 4، أنه بالنسبة للسكان كبيرة الأحجام والتنوع في السكان كبيرة وأفضل الحل الذي تم الحصول عليه هو قريب من القيمة المثلى قيمة التشتت يزيد مع زيادة حجم السكان مما يعني أن التقلب في الحل يزيد مع حجم السكان من الشكل 3 و 4، لوحظ أن متوسط ​​اللياقة البدنية والقيمة القصوى اللياقة البدنية يصبح راكدا بعد بضعة أجيال لانخفاض عدد السكان 20 ويرجع ذلك إلى حقيقة أن هناك تنوع أقل في السكان بسبب قوة الاستكشاف هذه الخوارزمية الجينية يصبح محدودا مما يؤدي إلى الحد الأقصى من اللياقة البدنية أقل من الجدول والشكل 3 و 4 لوحظ أنه مع زيادة حجم السكان الحل جودة يزيد أيضا اللياقة البدنية القصوى وهكذا في حالة وجود عدد كبير من السكان هناك احتمال أكبر من هافي عدد الأفراد في السكان الذين لديهم قيمة اللياقة البدنية أو على مقربة من القيمة المثلى ومن مصلحتنا أن نعرف تأثير التغيير في حجم السكان فيما يتعلق بعدد الأجيال حفظ عدد من التقييمات وظيفة ثابتة، حتى يتم التوصل إلى توازن مناسب وهذا سوف يساعدنا للحد من الاستخدام المكثف للموارد الحسابية المستخدمة من قبل الجمعية العامة، مما يقلل من وقت التشغيل والسماح بالبحث مساحات أكبر في وقت أقل والمورد الحسابي من نتائجنا انظر الشكل 3 و 4 ينظر إليه لانخفاض حجم السكان وعدد أكبر من الأجيال، فإنه يؤدي إلى التقارب على المستوى المحلي الأمثل على النقيض من ذلك إذا قمنا بزيادة حجم السكان وانخفاض عدد الأجيال، ثم سيكون هناك صعوبة في التكيف السكان مع البيئة وبالتالي هناك حاجة إلى توازن صحيح بين حجم السكان وعدد الأجيال لقد رأينا من الشكل 4 أنه في حالة عدد السكان 00 حققنا أقصى قدر من اللياقة البدنية أو على مقربة من الحل الأمثل في جيل مبكر ومع ذلك فإنه يرى n من الجدول والشكل 3 و 4 أن تغيير حجم السكان من 50 إلى 70 لا يؤثر على النتائج التي تم الحصول عليها بشكل ملحوظ من الشكل 3 و 4 لوحظ أن الحد الأقصى ومعدل اللياقة البدنية يتبع اتجاها إيجابيا مع مرور الأجيال، وأنها تصبح مستقرة بعد قليل أجيال لجميع الأحجام السكانية ويظهر الشكل 3 و 4 متوسط ​​واللياقة البدنية القصوى يحسن مع مرور الوقت يرتبط التقلب في الانحراف المعيار الحل من إلى كما يزيد حجم السكان من 20 إلى 00 نظرا لهذا الحد الأقصى للياقة البدنية يزيد أيضا من روبية - إلى روبية 947 - ومعدل معدل العائد الإجمالي أيضا يزيد من 6 إلى 50 ويرجع ذلك إلى حقيقة كما يزداد التنوع مع حجم السكان وحتى قدرة الخوارزمية الجينية لإيجاد الحل الأمثل العالمي ويعتقد أن المستثمر المالي أو المخططين عموما اختبار على المدى القصير ، المتوسطات المتوسطة الأجل والطويلة الأجل المتحركة على البيانات السابقة قبل اتخاذ أي قرار مستمدة ثلاثة أطوال المتوسطات من قواعد في ليتيراتو المالية ري مثل بروك 2 ويعتقد أن المتوسطات المتحركة أطوال مثل 0،30، 30،60، 50،50 تحظى بشعبية على المدى القصير والمتوسط ​​المتوسط ​​والطويل الأجل المتوسطات المتحركة أطوال في المجتمع المالي تم اختبار القواعد التي تم إنشاؤها بواسطة غا ضد هذه الأطوال المتوسطات الثلاثة الأطوال تظهر النتائج في الجدول 2 من بين هذه المتوسطات المتحركة الثلاثة أطوال ما 30،60 أداء أفضل تحقيق أقصى عائد قدره 90 02 وربحية قصوى من روبية 535 - غا على أساس نظام تحقيق أقصى عائد 60 39 و الحد الأقصى للربح 947 روبية - وهو ما هو أفضل من القاعدة 30،60 ما القائم في الواقع أن الجمعية العامة الأكثر فقرا مع حجم السكان من 20 الحد الأقصى للربح من رس - ويتم تحقيق أقصى عائد 6 60 وهو أفضل من هذه قصيرة ، المتوسطات المتوسطة والطويلة الأمد القواعد القائمة على المتوسطات المتحركة الجدول 2 مقارنات الأداء بين النتائج المتولدة عن غا لمختلف الأحجام السكانية وثلاثة متوسطات متحركة شعبية أطوال على بيانات الاختبار الخوارزمية الجينية غا النتائج الحجم 20 الحجم 50 الحجم 70 أقصى ربح أقصى روبية رس - 6 60 روبية - 4 27 روبية 936 روبية 947 الحجم 00 أعلى روبية 947 أدنى روبية - 6 60 متوسط ​​روبية ستد ديف المتوسط ​​الفني المتحرك ما القواعد التي تسلط الضوء على أفضل نتيجة في كل عمود ما 0،30 روبية ما 30،60 روبية 535 ما 50،50 روبية 326 في كل ما حققنا نجاحا في تطبيق غا لتحقيق معايير الأمثل لنظم التداول الفنية تم الحصول على معدل مرتفع جدا من العائد والربح ويتم تأكيد الحد الأقصى للتفوق غا من حيث ارتفاع معدل العائد الإجمالي لمجموعة الاختبار، مما يدل على قوة التطورية الخوارزميات والذكاء الاصطناعي في الهندسة المالية 48.6 فحص النتائج المذكورة أعلاه والبيانات التجريبية التي تم الحصول عليها من عدد كبير من الاختبارات التي أجريت، فشلنا في تزوير نظرية القوة الجينية الخوارزمية في إيجاد الحل الأمثل العالمي فيما يتعلق بمعلمات التحكم الخوارزمية الجينية أي حجم السكان وعدد من الأجيال إلى حد كبير نحن قادرون على التغلب على فرضية السوق الفعالة إمه التي تنص على أن أي معلومات عامة ينعكس في سعر السهم (د) من المستحيل التغلب على السوق 6 الاستنتاجات والعمل المستقبلي بما أن التحليل التقني يستخدم إلى حد كبير كأداة في تداول الأسهم، فإنه نادرا ما يركز على مسألة تحسين البارامترات هدفنا الرئيسي في هذه الورقة هو توضيح كيفية التقدم الجديد في الحاسوب والهندسة والحوسبة الناعمة يمكن استخدامها لتحسين الأمثل للقواعد الفنية ويطبق هذا النظام بشكل خاص للتنبؤ أداء الأسهم الفردية أي بنك الدولة في الهند، والبيانات المأخوذة من البورصة الوطنية في الهند مما يدل على أن هناك بعض التوقعات في البيانات التاريخية وحدها بدءا مع مفهوم المتوسطات المتحركة وهو مؤشر تقني متعدد الاستعمالات وبسيط والأكثر شعبية يستخدم في تحليل سوق الأوراق المالية نقدم أفكارا تمثل استراتيجيات الاستثمار كقواعد وعند الشراء ومتى يتم بيعها في بيانات مشروطة تنطوي على اختلاف المتوسطات المتحركة علاوة على ذلك يتم ترميز طول المتوسطات المتحركة كسلاسل ثنائية أو كروموسومات من خلال تطبيق غا لذلك نحن ننجح في استخدام الخوارزمية الجينية من أجل حل الأمثل للمعايير من قاعدة التداول الفني مع ارتفاع الربح الإجمالي والعائد التي تم الحصول عليها أظهرت نتائجنا التجريبية أن غا يساعد في إيجاد الحلول المثلى العالمية وجدنا أيضا أن الحل ويزيد من الحد الأقصى لجودة اللياقة البدنية مع زيادة حجم السكان ضمن مجموعة من التجارب محدودة مجموعة البيانات مع جميع الأحجام السكانية، ويظهر نتائج مماثلة أي ارتفاع معدل العائد الإجمالي ويلاحظ من الجدول 2 هناك زيادة في الحد الأقصى للعائد والحد الأقصى للربح باستخدام الأمثل التحرك متوسط ​​أطوال تم الحصول عليها من مختلف غاس بالمقارنة مع أطوال المتوسط ​​المتحرك شعبية تم الحصول عليها من الأدبيات المالية تحليل البيانات التجريبية من عدد كبير من الاختبارات التي أجريت، استنتاجنا هو أن اقتراح غا متانة يبقى معقول لضبط المعلمات من نظام التداول الفني نحن حملت عددا كبيرا من التجارب، لكنها لا تزال محدودة كما عدد من اختبار يمكننا القيام بها فيما يتعلق حجم السكان وعدد الأجيال هو لانهائي لذلك فإن النتائج حذرة ونحن قادرون على الفوز إمه إلى حد كبير، وتبين أن التحليل الفني له قيمة معينة وأخيرا فإنه سيكون حافزا للمضي قدما بحث لاختبار سلسلة من أنظمة التداول المعقدة المختلفة ونرى كيف أن غا يؤدي على أنظمة التداول الأخرى هذا يمكن أن يكون موضوعنا للبحث في المستقبل 7 المراجع V كابور، S دي، أب خورانا نمذجة تأثير أسواق الأسهم العالمية على مؤشر نس الهندي نشرت في وقائع المؤتمر الدولي للنمذجة والمحاكاة مس 09 المنظمة من قبل كلية الهندسة تريفاندروم و أمس ثريفانانثابورام، الحادي والثلاثين من ديسمبر 2 بروك، W لاكونيشوك، J ليبارون، B القواعد الفنية البسيطة والخصائص العشوائية من عوائد الأسهم مجلة المالية زلفي 5 ، 3 شياو تشينغ ونغ، جوني شين، الكشف عن عينات في وقت مبكر في متعدد المتغيرات سلسلة زمنية مجموعة البيانات القائمة على النظم إلزيفير 4 جارل كالبرغ، P أولو باسكواريلو، سلسلة زمنية و كروسكتيونال الفائض كوموفيمنت في مؤشرات الأسهم مجلة التمويل التجريبي إلزيفير 5 تشانغ جين كيم، جيريمي بيجيرك، ريتشارد ستارتز، تقدير ماركوف نماذج التحول الانحدار مع التحول الذاتية مجلة الاقتصاد القياسي إلزيفير 6 نيكولاس غرينولد، سام هاك كان تانغ، يانروي وو، وربحية قواعد التداول القائمة على الانحدار لسوق الأوراق المالية شنغهاي مجلة التمويل التجريبي إلزيفير 7 اندريه كما هاينن، إريك رينجيفو، النمذجة الانحدار المتعدد المتغيرات من البيانات العد سلسلة الوقت باستخدام كوبولاس مجلة التمويل التجريبي إلزيفير 8 P مانشاندا، J كومارا، أه سيديقي، أساليب رياضية لنمذجة تقلبات الأسعار في سلسلة الأوقات المالية مجلة معهد فرانكلين إلزيفير 9 مايكل D ماكنزي، سوك-جونغ كيم، دليل على عدم التماثل في العلاقة بين التقلب والعلاقة الذاتية الاستعراض الدولي للتحليل المالي إلزيفير 0 ر لوسشي، بل إغليزياس، رب أريلانو-فال، فرب كروز، النمذجة التنبؤية الكاملة لبيانات سوق الأسهم تطبيق لتغيير مشاكل نقطة المجلة الأوروبية للبحوث التشغيلية إلزيفير أغروال، سك ديب، فهم التفاعلات بين المعلمات الخوارزميات الجينية في بانزاف، W ريفز، C أسس الخوارزميات الجينية المجلد 2 سعادة أغيري، K تاناكا، متفاوتة متوازية خوارزميات جينية طفرة، معاملات إيي، 3 دي غولدبيرغ، تحجيم السكان للخوارزميات الجينية التسلسلية والمتوازية، في شافر، جد إد، وقائع المؤتمر الدولي الثالث على الخوارزميات الجينية مورغان كوفمان، لوس ألتوس، كاليفورنيا، ص 989 4 H ملنبين، كيف الخوارزميات الجينية العمل حقا طفرة وتسلق هيل، مؤسسة الخوارزميات الجينية إي ب 5-25، 992 متاح على الانترنت 5 دي غولدبيرغ الخوارزمية الجينية في البحث، وتحسين آلة التعلم نيويورك أديسون ويسلي، 989 6 V كابور، S دي، أب خورانا، التحليل التجريبي والاحترام العشوائي العشوائي للكروس أو الطفرة في الخوارزميات الجينية المجلة الدولية للكمبيوتر A بليكاتيون العدد الخاص على الحساب التطوري 25 30، 200 نشرت من قبل مؤسسة علوم الحاسب الآلي متاح على الانترنت 49.7 7 V كابور، S دي، أب خورانا دراسة تجريبية لدور معلمات التحكم في الخوارزميات الجينية في وظيفة مشاكل الأمثل المجلة الدولية لتطبيقات الكمبيوتر المجلد 3 العدد 6 20-26 أكتوبر العدد 20 متاح على الانترنت 8 ري باور الابن الخوارزميات الوراثية واستراتيجيات الاستثمار، جون وايلي أبناء، وشركة، نيويورك، 994 9 ري باور، غي ليبينز، والخوارزميات الجينية واستراتيجيات التداول المحوسبة في ديو ليري، بيأر واتكينز إدس، نظم الخبراء في الشؤون المالية، ناشري العلوم إلزيفير، أمستردام، هولندا، 992 20 F ألين، R كارجالينن باستخدام الخوارزميات الجينية للعثور على قواعد التداول الفنية مجلة الاقتصاد المالي 5 999 2 S محفود، G ماني، التنبؤ المالي باستخدام الخوارزميات الجينية جورانال من الذكاء الاصطناعي التطبيقي 0 6 996 22 دي جونغ، كا تحليل لسلوك فئة من النظم التكيفية الوراثية دي سيرتاتيون ملخصات الدولية 36 0 540B جامعة ميكروفيلم نو 975 23 رامون لورانس، باستخدام الشبكات العصبية للتنبؤ أسعار السوق المالية 24 كوركزاك، J روجر، P توقيت الأسهم باستخدام الخوارزميات الجينية تطبيق نماذج ستوكاستيك في الأعمال والصناعة ب 25 جين لي، إدوارد بيكاي تسانغ، تحسين التحليل الفني التنبؤ تطبيق الجمعية الأمريكية غب من أي 999 26 لورا نو n إز-ليتامنديا، تركيب براميترز التحكم من خوارزمية جينية تطبيق لتصميم نظام تجاري تقني مجلة الأوروبية للبحوث التشغيلية 27 ري كو، تش تشن، يك هوانغ أن ذكي نظام دعم قرار تداول الأسهم من خلال دمج الخوارزمية الجينية القائمة على الشبكة العصبية غامض والشبكة العصبية الاصطناعية مجموعات مجموعات غامض 8 200parison من الخوارزميات الجينية لاستراتيجيات التداول. وضع هذه الورقة كما كروها P فريدريش M 2014 مقارنة الخوارزميات الجينية لاستراتيجيات التداول في جيفرت الخامس برينيل B روفان B تولر J تيوا آم إدس سوفسم 2014 نظرية وممارسة علوم الحاسب الآلي سوفسم 2014 محاضرات في علوم الحاسب الآلي، المجلد 8327 سبرينجر، شام. في هذه المساهمة، نحن تصف ومقارنة اثنين من النظم الوراثية التي تخلق استراتيجيات التداول ويستند النظام الأول على فكرة أن مصفوفة الوزن اتصال الشبكة العصبية تمثل النمط الجيني للفرد ويمكن تغييره بواسطة الخوارزمية الجينية يستخدم النظام الثاني البرمجة الجينية لاستخلاص استراتيجيات التداول كبيانات المدخلات في تجاربنا، استخدمنا المؤشرات الفنية لأسهم ناسداك كما ينتج، الخوارزميات تولد استراتيجيات التداول، أي شراء، عقد، و 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.