Pair-trading-strategy-journal

Pair-trading-strategy-journal

Pilihan-perdagangan-kawat-ulasan
Stock-options-technical-analysis
Trade-with-binary-options


Rahasia-pilihan-perdagangan-rahasia Trading-signal-in-excel Pilihan-trading-dan-strategi Bagaimana-untuk-menang-biner-pilihan Pilihan-perdagangan-pajak-1099-b Vladimir-forex-signal-review

Jurnal Penelitian Pengelolaan Ilmu Pengetahuan Indonesia - RJSSM Publikasi Penelitian Jurnal Penelitian Jurnal Manajemen Ilmu Pengetahuan Internasional - RJSSM dipromosikan dengan ISSN yang diterbitkan oleh Perpustakaan Nasional, Singapura. Visi tersebut adalah untuk mendorong persaudaraan Penelitian untuk berbagi pengetahuan dan mempublikasikan pekerjaan yang layak secara online, sehingga membawa keharmonisan di antara komunitas peneliti. Jurnal ini hanyalah langkah pertama dan terus berlanjut, Anda bisa melihat lebih banyak jurnal, yang akan diluncurkan dengan tujuan tunggal untuk melayani komunitas pengetahuan yang terlibat dalam Penelitian. Jurnal Riset TIJ tercantum dalam Direktori Internasional seperti. Direktori Periodicals Ulrichs (sebuah ProQuest Co.), Indeks Copernixus, Faktor Dampak Jurnal Ilmiah, Google Scholar, Open J-Gate. Dan Direktori populer lainnya untuk kutipan yang lebih baik dan Faktor Dampak. Juga dalam proses pencatatan di Thomson Reuters, Scopus seperti direktori. Ini akan sangat dihargai jika Anda dapat meneruskan undangan ini ke rekan kerja Anda dan meminta lebih banyak pendaftaran pendaftaran, yang dapat membantu paling banyak, karena kami memiliki jangkauan yang lebih baik di seluruh benua dan diakses oleh pembaca secara global dan perhatikan Journal akan menyimpan masalah (elektronik Format) di Perpustakaan Nasional, Singapura. Sebagai alternatif, Anda dapat mengirim calon penulis alamat e-mail ke Editor atau Klik di sini untuk Mengirim halaman ini ke teman Klik di sini untuk mengunjungi Jurnal kami yang lain Vol 6, No 10 (2017): 01 Februari 2017 Jurnal Riset TIJs terdaftar di Direktori Internasional seperti . Direktori Periodicals Ulrichs (sebuah ProQuest Co.), Indeks Copernixus, Faktor Dampak Jurnal Ilmiah, Google Scholar, Open J-Gate. Dan Direktori populer lainnya untuk kutipan yang lebih baik dan Faktor Dampak. Juga dalam proses pencatatan di Thomson Reuters, Scopus seperti direktori. Untuk mendownload file coverpagewrapper 1) klik kanan pada gambar, 2) pilih save image as dan 3) pilih folder lokal yang Anda inginkan. Top 5 Strategi Perdagangan Populer Artikel ini akan menunjukkan beberapa strategi trading yang paling umum dan juga bagaimana Anda bisa. Menganalisis pro dan kontra masing-masing untuk menentukan yang terbaik untuk gaya trading pribadi Anda. Lima strategi teratas yang akan kami liput adalah sebagai berikut: Breakout adalah salah satu teknik yang paling umum digunakan di pasar untuk berdagang. Mereka terdiri dari mengidentifikasi tingkat harga kunci dan kemudian membeli atau menjual karena harga tembus yang ditentukan tingkatnya. Harapannya adalah jika harga memiliki cukup kekuatan untuk menembus level maka akan terus bergerak ke arah itu. Konsep pelarian relatif sederhana dan membutuhkan pemahaman moderat tentang dukungan dan perlawanan. Ketika pasar sedang tren dan bergerak dengan kuat dalam satu arah, perdagangan breakout memastikan bahwa Anda tidak pernah melewatkan pergerakan. Umumnya berjerawat digunakan saat pasar sudah berada pada atau di dekat titik terendah yang tinggi akhir-akhir ini. Harapannya adalah harga akan terus bergerak dengan tren dan benar-benar menembus level ekstrim dan berlanjut. Dengan pemikiran ini, untuk secara efektif mengambil perdagangan kita hanya perlu melakukan pemesanan tepat di atas harga tinggi atau tepat di bawah rendah sehingga perdagangan secara otomatis masuk saat harga bergerak. Ini disebut limit order. Hal ini sangat penting untuk menghindari berjerawat ketika pasar tidak tren karena ini akan mengakibatkan perdagangan palsu yang mengakibatkan kerugian. Alasan untuk kerugian ini adalah pasar tidak memiliki momentum untuk melanjutkan pergerakan melampaui level tertinggi dan terendah. Ketika harga menyentuh area ini, biasanya turun kembali ke kisaran sebelumnya, mengakibatkan kerugian bagi trader yang mencoba menahan pergerakannya. Retracements Retracements memerlukan ketrampilan yang sedikit berbeda dan berkisar seputar trader yang mengidentifikasi arah yang jelas agar harga bergerak masuk dan menjadi yakin bahwa harga akan terus bergerak masuk. Strategi ini didasarkan pada kenyataan bahwa setelah setiap pergerakan ke arah yang diharapkan, Harga akan berbalik untuk sementara sementara pedagang mengambil keuntungan dan peserta pemula mencoba berdagang ke arah yang berlawanan. Tarik punggung atau retracements ini benar-benar menawarkan pedagang profesional dengan harga yang jauh lebih baik untuk masuk ke arah semula sesaat sebelum kelanjutan pergerakan. Saat trading retracements support dan resistance juga digunakan, seperti dengan break out. Analisis fundamental juga penting untuk jenis perdagangan ini. Ketika langkah awal telah dilakukan pedagang akan menyadari berbagai tingkat harga yang telah dilanggar dalam pergerakan semula. Mereka memberi perhatian khusus pada tingkat dukungan dan Perlawanan utama dan area pada grafik harga seperti tingkat 00. Ini adalah tingkat yang akan mereka lihat untuk dibeli atau dijual dari kemudian. Retracements hanya digunakan oleh trader pada saat dimana sentimen jangka pendek diubah oleh peristiwa ekonomi dan berita. Berita ini dapat menyebabkan guncangan sementara ke pasar yang mengakibatkan retracements ini bertentangan dengan arah pergerakan semula. Alasan awal untuk pindah mungkin masih ada, tapi kejadian jangka pendek dapat menyebabkan investor menjadi gugup dan mendapatkan keuntungan mereka, yang pada gilirannya menyebabkan retracement. Karena kondisi awal tetap inilah maka investor profesional lainnya menawarkan kesempatan untuk kembali bergerak dengan harga yang lebih baik, yang seringkali mereka lakukan. Perdagangan retracement pada umumnya tidak efektif bila tidak ada alasan fundamental yang jelas untuk bergerak di tempat pertama. Oleh karena itu jika Anda melihat langkah besar namun tidak dapat mengidentifikasi alasan mendasar yang jelas untuk langkah ini, arah dapat berubah dengan cepat dan apa yang tampaknya merupakan retracement sebenarnya bisa berubah menjadi langkah baru ke arah yang berlawanan. Hal ini akan mengakibatkan kerugian bagi siapa saja yang mencoba berdagang sesuai dengan Intelijen dan Intelijen Moveputational yang asli 1 Departemen Teknik Informatika dan Informasi Komputer, Universitas Nasional Kaohsiung, Kaohsiung 811, Taiwan 2 Jurusan Teknik Elektro, Universitas Chiayi Nasional, Kota Chiayi 60004 , Taiwan Diterima 21 Desember 2014 Direvisi 6 Maret 2015 Diterima 14 Maret 2015 Editor Akademik: Rahib H. Abiyev Copyright 2015 Chien-Feng Huang dkk. Ini adalah artikel akses terbuka yang didistribusikan di bawah Lisensi Atribusi Creative Commons. Yang mengizinkan penggunaan, distribusi, dan reproduksi yang tidak terbatas dalam medium apapun, asalkan karya aslinya benar-benar dikutip. Perdagangan pasangan merupakan bidang penelitian yang penting dan menantang dalam keuangan komputasi, di mana pasangan saham dibeli dan dijual dalam kombinasi pasangan untuk peluang arbitrase. Metode tradisional yang memecahkan rangkaian masalah ini kebanyakan mengandalkan metode statistik seperti regresi. Berbeda dengan pendekatan statistik, kemajuan terkini dalam komputasi kecerdasan (CI) mengarah pada peluang yang menjanjikan untuk memecahkan masalah dalam aplikasi keuangan secara lebih efektif. Dalam makalah ini, kami menyajikan sebuah metodologi baru untuk perdagangan pasangan menggunakan algoritma genetika (GA). Hasil kami menunjukkan bahwa model berbasis GA mampu mengungguli tolok ukur secara signifikan dan metode yang kami ajukan mampu menghasilkan model yang kuat untuk mengatasi karakteristik dinamis dalam aplikasi keuangan yang dipelajari. Berdasarkan hasil yang menjanjikan diperoleh, kami mengharapkan metode berbasis GA ini untuk memajukan penelitian dalam komputasi kecerdasan untuk keuangan dan memberikan solusi efektif untuk pasang perdagangan investasi dalam praktik. 1. Pendahuluan Dalam beberapa dekade terakhir, karena ketidakefisienan pendekatan statistik tradisional, seperti metode analisis berbasis regresi dan faktor untuk memecahkan masalah keuangan yang sulit, metodologi yang berasal dari kecerdasan komputasi, termasuk teori fuzzy, jaringan syaraf tiruan (JST), Mendukung mesin vektor (SVM), dan algoritma evolusioner (EA), telah dikembangkan sebagai alternatif yang lebih efektif untuk memecahkan masalah dalam domain keuangan 1. 2. Di antara teknik berbasis CI yang dipelajari untuk keuangan, model dapat diklasifikasikan sebagai dua area aplikasi utama: (1) pemilihan stok, manajemen portofolio, dan optimasi 3 6 dan (2) prediksi deret waktu keuangan 7. 8. Untuk kategori pertama, penelitian terdahulu meliputi analisis keputusan atribut ganda fuzzy untuk konstruksi portofolio 9. Zargham dan Sayeh 10 menggunakan sistem berbasis aturan fuzzy untuk mengevaluasi satu set saham untuk tugas yang sama. Chapados dan Bengio 11 melatih jaringan syaraf tiruan untuk memperkirakan dan memprediksi perilaku aset untuk memudahkan pengambilan keputusan dalam alokasi aset. Dalam aplikasi EA sepanjang garis penelitian ini, Becker et al. 12 mempraktekkan pemrograman genetika (GP) untuk mengembangkan model peringkat saham untuk pasar A.S. Lai et al. 13 menggunakan GA tahap ganda untuk memilih saham dari bursa saham Shanghai untuk periode waktu 2001 sampai 2004. Dalam rasio Lai et al.s work, ROCE, EPS, PE, dan likuiditas digunakan untuk memberi peringkat saham, dan mereka Menggunakan GA untuk menghitung persentase optimal modal yang diberikan ke masing-masing aset. Lai et al. Kemudian disimpulkan bahwa metode optimasi berbasis GA mereka lebih efektif untuk aplikasi keuangan daripada jaringan syaraf tiruan atau tiruan. Baru-baru ini, Huang 5 merancang sebuah model pembelajaran berbasis mesin hibrida untuk mengidentifikasi serangkaian fitur yang menjanjikan dan parameter model optimal. Model Huang ditunjukkan lebih efektif daripada patokan dan beberapa metode statistik tradisional untuk pemilihan stok. Untuk meningkatkan kinerja model GA tujuan tunggal, baru-baru ini, Chen et al. 14 mengusulkan metode berbasis GA multiobjektif untuk tujuan meningkatkan hasil investasi dan mengurangi risiko secara bersamaan. Dalam pendekatan tersebut, penulis menggunakan sortasi nondominated untuk mencari solusi nondominated dan menunjukkan bahwa metode multiobjektif mengungguli versi satu tujuan yang diusulkan oleh Huang 5. Studi populer lainnya tentang kecerdasan komputasi sangat terkait dengan prediksi deret waktu keuangan. Sejumlah penelitian menggunakan teknik pembelajaran jaringan, termasuk umpan maju, fungsi dasar radial atau NN 7 berulang, dan SVM 8. Metode cerdas lainnya, seperti model regresi genetika 15 dan sistem inferensi fuzzy induktif 16, juga tersedia dalam literatur. Perdagangan pasangan 17 merupakan area penelitian penting mengenai keuangan komputasi yang biasanya bergantung pada data deret waktu dari harga saham untuk investasi, dimana saham dibeli dan dijual berpasangan untuk peluang arbitrase. Ini adalah strategi spekulatif yang terkenal di pasar keuangan yang dikembangkan pada tahun 1980an dan telah dipekerjakan sebagai salah satu alat investasi ekuitas longshort yang penting oleh hedge fund dan investor institusi 18. Meskipun telah ada sejumlah besar studi berbasis CI dalam aplikasi keuangan, penelitian berbasis CI yang dilaporkan untuk perdagangan pasangan jarang dan tidak memiliki analisis serius. Sampai saat ini, banyak karya yang ada sepanjang garis penelitian ini bergantung pada metode statistik tradisional seperti pendekatan kointegrasi 19, filter Kalman 20. 21, dan analisis komponen utama 18. Di wilayah CI, Thomaidis dkk. 17 menggunakan metode jaringan syaraf tiruan untuk perusahaan pasangan Infosys dan Wipro di India dan mencapai hasil investasi yang masuk akal dengan menggunakan sepasang saham. Saks dan Maringer 22 menggunakan pemrograman genetik untuk berbagai pasang saham di ekuitas Eurostoxx 50 dan juga menemukan strategi perdagangan pasangan yang baik. Meskipun ada penelitian berbasis CI sebelumnya untuk perdagangan pasangan, mereka tidak memiliki analisis serius seperti metode validasi temporal yang digunakan pada 5. 23 untuk evaluasi lebih lanjut mengenai ketahanan sistem perdagangan. Selain itu, dalam penelitian terdahulu, model perdagangan dibuat dengan hanya menggunakan dua saham sebagai pasangan perdagangan di sini, kami mengusulkan pendekatan umum yang menggunakan lebih dari dua saham sebagai kelompok perdagangan untuk arbitrase guna meningkatkan kinerja model lebih lanjut. . Dalam penelitian ini, kami juga menggunakan GA untuk masalah optimasi pada model arbitrase yang kami ajukan. Dalam sebuah penelitian di masa lalu 23, Huang dkk. Dibandingkan regresi linier tradisional dan GA untuk pemilihan tugas dan menunjukkan bahwa model berbasis GA mampu mengungguli model regresi linier. Termotivasi oleh penelitian ini, oleh karena itu kami bermaksud untuk menggunakan GA untuk mengoptimalkan sistem cerdas kami untuk perdagangan pasangan, dan hasil eksperimen akan menunjukkan bahwa metodologi berbasis GA yang diusulkan sangat menjanjikan dalam mengungguli tolok ukur. Selanjutnya, berbeda dengan metode perdagangan pasangan tradisional yang bertujuan untuk mencocokkan pasangan saham dengan karakteristik serupa, kami juga menunjukkan bahwa metode kami mampu membangun model perdagangan kerja untuk saham dengan karakteristik yang berbeda. Dalam penelitian ini, kami juga menyelidiki ketangguhan metode yang kami ajukan dan hasilnya menunjukkan bahwa metode kami memang efektif dalam menghasilkan model yang kuat untuk lingkungan dinamis dari masalah perdagangan pasangan. Makalah ini disusun menjadi empat bagian. Bagian 2 menguraikan metode yang diusulkan dalam penelitian kami. Pada Bagian 3. kami menggambarkan data penelitian yang digunakan dalam penelitian ini dan menyajikan hasil eksperimen dan diskusi. Bagian 4 menyimpulkan makalah ini. 2. Bahan dan Metode Pada bagian ini, kami memberikan latar belakang dan deskripsi yang relevan untuk desain sistem perdagangan pasangan kami menggunakan GA untuk optimasi model. 2.1. Pasangan Perdagangan Pasangan perdagangan secara luas diasumsikan sebagai nenek moyang arbitrase statistik, yang merupakan strategi perdagangan untuk mendapatkan keuntungan dari perbedaan harga dalam kelompok saham 17. Pengambilan keputusan tradisional untuk investasi biasanya bergantung pada dasar-dasar perusahaan untuk menilai nilai dan harga saham mereka, karenanya. Karena nilai sebenarnya dari saham jarang diketahui, teknik pair-trading dikembangkan untuk mengatasi hal ini dengan menginvestasikan pasangan saham dengan karakteristik serupa (misalnya saham dari industri yang sama). Kesalahpahaman bersama antara dua saham ini secara teoritis dirumuskan oleh gagasan penyebaran, yang digunakan untuk mengidentifikasi posisi relatif ketika sebuah pasar yang tidak efisien menghasilkan kesalahan pada persediaan saham 18. 21. Akibatnya, model perdagangan biasanya bersifat netral pasar dalam artian tidak berkorelasi dengan pasar dan dapat menghasilkan strategi investasi volatilitas rendah. Bentuk perdagangan pasangan saham biasa beroperasi dengan menjual saham dengan harga yang relatif tinggi dan membeli yang lain dengan harga yang relatif rendah pada awal periode perdagangan, mengharapkan kenaikan yang lebih tinggi akan turun sedangkan yang lebih rendah akan naik di masa depan. Kesenjangan harga kedua saham tersebut, yang juga dikenal sebagai spread, sekaligus berperan sebagai sinyal terbuka dan menutup posisi pasang saham. Selama periode perdagangan, posisi dibuka saat spread melebar dengan ambang tertentu, dan setelah itu posisi ditutup saat spread saham kembali bergerak. Tujuan dari strategi jangka panjang ini adalah untuk mendapatkan keuntungan dari pergerakan spread yang diharapkan dapat kembali ke mean jangka panjangnya. Pertimbangkan modal awal dengan tingkat bunga per tahun dan frekuensi peracikan dalam satu tahun modal setelah satu tahun dapat dinyatakan sebagai di mana adalah proses stasioner dan rata-rata, drift kecil dibandingkan dengan fluktuasi dan dapat diabaikan dalam Banyak aplikasi Alasan di balik proses pengembalian rata-rata adalah bahwa ada ekuilibrium jangka panjang (mean) untuk penyebarannya. Investor dapat bertaruh pada pengembalian spread saat ini ke mean historisnya dengan menjual dan membeli sejumlah saham yang sesuai. Seperti (5) menunjukkan, kita mengharapkan kembalinya saham dan untuk saling melacak setelah mengendalikan secara tepat. Model ini menyarankan sebuah strategi investasi dimana satu sahamnya panjang 1 dolar dan stok dolar pendek jika kecil. Sebaliknya, jika besar, seseorang mengambil strategi berlawanan yang berjalan pendek dan panjang. Akibatnya, kembalinya portofolio short-short mungkin berosilasi di sekitar ekuilibrium statistik. Dalam praktik dunia nyata, kembalinya portofolio jangka pendek di atas untuk jangka waktu dapat dihitung sebagai berikut: di mana dan menunjukkan harga saham dimana kita berada pada posisi yang panjang dan waktu. Masing dan dan menunjukkan harga saham dimana kita kekurangan waktu dan. Masing-masing. Metode pair-trading dapat digeneralisasi ke sekelompok saham dimana mispricing dapat diidentifikasi melalui kombinasi aset yang tepat yang rangkaian waktunya adalah mean-reverting. Pertimbangkan satu set aset, dan deret harga saham yang sesuai, mispricing statistik dapat dianggap sebagai kombinasi linier dimana proses dan vektor pengembalian rata-rata mewakili proporsi modal yang ditetapkan untuk setiap aset dalam portofolio. Perubahan rata-rata dalam persamaan di atas mengacu pada asumsi bahwa harga aset sintetis yang tinggi dan rendah bersifat sementara dan harganya cenderung bergerak menuju harga rata-rata dari waktu ke waktu. 2.2. Sistem Perdagangan 2.2.1. Model Waktu Pasar Dalam karya ini, rata-rata jangka panjang dari harga aset dalam proses pengembalian rata-rata dapat dimodelkan oleh rata-rata pergerakan yang dirayakan 24, yang merupakan harga rata-rata aset dalam periode tertentu. Membiarkan menjadi harga saham pada waktu. Rata-rata bergerak pada waktu. Rata-rata harga yang sesuai dengan periode waktu paling akhir, didefinisikan sebagai Dalam penelitian ini, kami menggunakan Bollinger Bands 24 untuk menentukan apakah penyebaran sepasang saham berangkat dari nilai rata-rata dinamisnya. Biasanya, Bollinger Bands meresepkan dua pita volatilitas yang ditempatkan di atas dan di bawah rata-rata bergerak, di mana volatilitas dapat didefinisikan sebagai kelipatan dari standar deviasi harga di masa lalu. Secara formal Bollinger Bands dapat didefinisikan sebagai berikut: dimana standar deviasi harga, tepat pada waktunya. Selama periode waktu yang lalu adalah parameter yang digunakan untuk mengendalikan lebar pita atas dan bawah ke rata-rata bergerak. Komponen penting dari sistem perdagangan yang sukses adalah membuat model untuk penentuan waktu pasar yang menentukan titik masuk dan keluar yang masuk akal di pasar. Dalam penelitian ini, kita akan menggunakan moving averages dan Bollinger Bands untuk mengembangkan sistem perdagangan, yang dijelaskan pada subbagian berikutnya. 2.2.2. Strategi Perdagangan dan Evaluasi Kinerja Kami menghitung spread untuk aset sintetis yang dihasilkan oleh mana. Adalah harga saham pada waktunya. Dan s adalah parameter model dari pasangan generalized yang diperkirakan. Dalam pekerjaan ini, kami menunjuk strategi trading untuk membeli (sell) spread tepat setelah mendapat deviasi standar di bawah (di atas) nilai mean dan posisi ditutup tepat setelah spread semakin dekat dari standar deviasi ke meannya, dimana Dan Disini kami mengevaluasi kinerja sistem perdagangan dalam hal pengembalian majemuknya, yang akan ditentukan oleh parameter yang relevan dari model perdagangan yang digunakan. Kami pertama kali menentukan kembalinya sistem perdagangan untuk menunjukkan parameter model. Kemudian metrik kinerja yang kita gunakan di sini adalah melalui pengembalian kumulatif (majemuk) total, di mana didefinisikan oleh hasil pengembalian selama perdagangan berturut-turut karena oleh karena itu, dalam proses pertumbuhan modal, modal pada akhir perdagangan adalah di mana mewakili modal awal. 2.3. Optimalisasi Sistem Perdagangan Dengan model timing dan pair-trading pasar, kinerja sistem perdagangan harus ditingkatkan dengan nilai parameter model yang sesuai. Untuk model waktu pasar, parameternya mencakup periode untuk rata-rata dan parameter pergerakan dan untuk Bollinger Bands yang mengendalikan kelipatan standar deviasi dari rata-rata bergerak untuk titik masuk dan keluar. Untuk model pair-trading, parameter terdiri dari himpunan istilah bobot pada aset sintaksis dari (10). Dalam penelitian ini, kami mengusulkan menggunakan algoritma genetika (GA) untuk mencari parameter optimal dari sistem perdagangan. Kami akan menjelaskan dasar-dasar GA dan juga skema optimasi yang kami usulkan sebagai berikut. Algoritma genetika 25 telah digunakan sebagai model simulasi komputasi dari sistem evolusioner alami dan sebagai algoritma adaptif untuk memecahkan masalah optimasi kompleks di dunia nyata. Inti dari kelas algoritma ini terletak pada produksi struktur genetika baru, sepanjang evolusi, yang memberikan inovasi pada solusi untuk masalah ini. Biasanya, GA beroperasi pada populasi agen buatan yang berkembang yang komposisinya bisa sesederhana string biner yang mengkodekan solusi untuk masalah yang ada dan fenotipe yang mewakili solusinya sendiri. Pada setiap iterasi, generasi baru dibuat dengan menerapkan crossover dan mutasi ke kandidat yang terpilih sebagai orang tua. Evolusi terjadi dengan variasi stokastik yang terisolasi dari genotipe dan pemilihan fenotipe fit di lingkungan berdasarkan seberapa baik solusi individu memecahkan masalah. Dalam rancangan pengkodean yang kami usulkan, komposisi kromosom dirancang untuk terdiri dari empat bagian yang mengkodekan parameter periode untuk rata-rata bergerak, kelipatan dan standar deviasi untuk Bollinger Bands, dan himpunan koefisien pembobotan untuk Model pair-trading dari (10). Disini kita menggunakan skema pengkodean biner untuk merepresentasikan sebuah kromosom di dalam GA. Pada Gambar 1. lokus mewakili pengkodean untuk periode moving average. Loci mewakili pengkodean dan untuk Bollinger Bands. Akhirnya, lokus mewakili pengkodean koefisien pembobotan. Gambar 1: pengkodean kromosom. Dalam skema pengkodean kami, kromosom yang mewakili genotipe parameter harus diubah menjadi fenotip dengan (13) di bawah untuk perhitungan kebugaran lebih lanjut. Ketepatan yang mewakili setiap parameter bergantung pada jumlah bit yang digunakan untuk mengkodekannya dalam kromosom, yang ditentukan sebagai berikut: di mana fenotip yang sesuai untuk parameter tertentu dan nilai minimum dan maksimum parameter adalah nilai desimal yang sesuai ( Yang terpotong ke bilangan bulat jika parameternya adalah tipe integer), dan panjang blok yang digunakan untuk mengkodekan parameter pada kromosom. Dengan skema ini, kita mendefinisikan fungsi kebugaran kromosom sebagai kembalinya sistem perdagangan selama bertahun-tahun dari investasi: di mana total pengembalian kumulatif dihitung oleh (11). Sistem arbitrase berbasis GA secara keseluruhan adalah proses multistage, termasuk optimasi simultan pada koefisien pembobotan untuk saham, periode untuk moving average, dan lebar Bollinger Bands. Masukan ke sistem adalah dataset seri waktu dari harga saham. Untuk setiap kombinasi parameter model dari rata-rata bergerak, Bollinger Bands, dan koefisien pembobotan saham, kami menggunakan sistem arbitrase perdagangan pasangan untuk investasi. Dalam pekerjaan ini, waktu untuk perdagangan ditetapkan sebagai pembelian (jual) spread tepat setelah sampai ke jarak tertentu (diukur dengan standar deviasi rata-rata) di bawah (di atas) rata-rata dan posisi tersebut kemudian ditutup tepat setelah spread. Semakin dekat dengan mean. Stok yang akan panjang atau pendek ditentukan oleh istilah pembobotan dalam aset sintaksis dari (10). Kami kemudian menghitung hasil yang sesuai untuk evaluasi kinerja sistem. Dalam penelitian ini, GA digunakan sebagai alat optimasi untuk optimasi simultan dari parameter model ini. Hasil akhir adalah seperangkat parameter model (dioptimalkan oleh GA) yang menentukan model pasangan-trading dan timing. Diagram alir sistem perdagangan berbasis GA ini dirangkum dalam Gambar 2. Gambar 2: Diagram alir sistem arbitrase berbasis GA. 3. Hasil dan Pembahasan Pada bagian ini kami memeriksa kinerja metode yang kami tawarkan untuk sistem perdagangan pasangan. Kami menggunakan dua set saham yang terdaftar di Bursa Efek Taiwan untuk ilustrasi: (1) sekumpulan 10 saham dengan karakteristik serupa dari industri semikonduktor, yang merupakan sektor industri terpenting di Taiwan selama dua dekade terakhir, dan (2) Rangkaian 10 saham dengan kapitalisasi pasar terbesar dari berbagai sektor, yang menunjukkan karakteristik industri yang berbeda di Taiwan. 3.1. 10 Saham dari Industri Semikonduktor Hasil pengembalian 10 saham semikonduktor tahunan di Taiwan dari tahun 2003 sampai 2012 digunakan untuk menguji kinerja sistem perdagangan yang dioptimalkan GA. Tabel 1 menunjukkan 10 saham yang digunakan untuk bagian ini. Gambar 3 menampilkan ilustrasi kurva best-so-far untuk akumulasi akumulasi (yaitu total kumulatif return) yang dicapai oleh GA lebih dari 50 generasi. (Untuk mempelajari kualitas solusi dari waktu ke waktu, metrik kinerja tradisional untuk GA adalah kurva terbaik-begitu-jauh yang menampilkan kebugaran individu terbaik yang telah dilihat sejauh ini oleh generasi, yaitu sebuah titik dalam pencarian Ruang kerja yang mengoptimalkan fungsi objektif sejauh ini. Selain itu, dalam penelitian ini, eksperimen GA menggunakan pilihan turnamen biner 26, crossover satu titik, dan tingkat mutasi 0,7 dan 0,005, resp. Kami juga menggunakan 10 bit untuk mengkodekan setiap variabel. Dalam kromosom dan menggunakan 50 individu untuk ukuran populasi di setiap generasi.) Angka ini menunjukkan bagaimana GA mencari solusi selama evolusi untuk secara bertahap memperbaiki kinerja sistem perdagangan. Tabel 1: 10 saham semikonduktor yang digunakan dalam penelitian ini. Gambar 3: Ilustrasi untuk kurva best-so-far oleh GA. Gambar 4 menampilkan ilustrasi akumulasi akumulasi benchmark dan model berbasis GA kami. (Dalam studi ini, tolok ukur didefinisikan sebagai metode buy-and-hold tradisional dimana kita mengalokasikan modal yang sama dengan masing-masing saham dan akumulasi return dihitung sebagai produk dari return harian rata-rata dari semua 10 saham di atas 10 tahun yaitu seorang investor menginvestasikan seluruh modal pada saham pada awalnya dan menjual semuanya hanya pada akhir masa investasi). Angka ini menunjukkan bahwa model berbasis GA berangsur-angsur mengungguli tolok ukur dan perbedaan kinerja menjadi cukup signifikan pada Akhir tahun 2012. Berbeda dengan metode buy-and-hold yang mengalokasikan modal dalam proporsi yang sama terhadap setiap saham, GA secara proaktif mencari proporsi optimal untuk posisi long atau short untuk setiap aset agar dapat membangun spread oleh (10). Selain itu, GA juga mencari waktu optimal untuk membeli dan mengkonsletkan saham secara dinamis dengan menggunakan Bollinger Bands. Dalam penelitian kami di sini, koefisien pembobotan untuk proporsi modal yang dialokasikan ke saham, periode untuk moving average, dan lebar Bollinger Bands dioptimalkan secara bersamaan. Akibatnya, dalam metodologi yang kami usulkan, sistem perdagangan yang dioptimalkan oleh GA adalah gabungan model arbitrase dan pasar timing yang optimal. Dengan demikian, orang dapat mengharapkan GA untuk menguntungkan pembangunan sistem arbitrase dan Gambar 4 memang menunjukkan bahwa model berbasis GA melampaui tolok ukur dalam jangka panjang. Oleh karena itu, hasil ini menyoroti bagaimana optimasi oleh GA dapat menguntungkan model pair-trading. Gambar 4: Akumulasi kembalinya benchmark versus model berbasis GA untuk 10 saham semikonduktor dari tahun 2003 sampai 2012. Untuk menguji lebih lanjut validitas metode yang kami ajukan, validasi statistik pada model dilakukan dalam penelitian ini. Pada kenyataannya, model pembelajaran yang menggunakan data pelatihan harus diuji dengan data yang tidak terlihat. Di sini, seperti yang ditunjukkan pada Gambar 5. kita menggunakan data stok dari beberapa kuartal pertama untuk melatih model, dan data yang tersisa digunakan untuk pengujian. Penyiapan ini adalah untuk menyediakan satu set validasi temporal untuk memeriksa keefektifan model di lingkungan dinamis masalah keuangan, yang berbeda dari prosedur validasi silang reguler dimana proses data dibagi menjadi dua perangkat independen yang diulang secara acak beberapa Kali tanpa memperhitungkan kelengkapan data datanya. Namun, dalam studi keuangan di sini, ketertiban temporal sangat penting karena kita ingin menggunakan semua data yang ada sejauh ini untuk melatih model dan menerapkan model di masa depan untuk mendapatkan keuntungan. Gambar 5: validasi temporal. Pada tahap pelatihan masing-masing TV, kami melakukan 50 untuk GA dan model terbaik yang dipelajari dari masing-masing run diperiksa dalam tahap pengujian. Dalam kedua tahap pelatihan dan pengujian, pengembalian total kumulatif (akumulasi pengembalian) model selama kuartal dihitung dan pengembalian tahunan yang sesuai dihitung dengan (14). Hasil tahunan dari 50 model terbaik di setiap TV kemudian dirata-ratakan dan ditampilkan untuk fase pelatihan dan pengujian pada Tabel 2. Dalam tabel ini, kami juga memberikan tolok ukur pengembalian tahunan untuk perbandingan lebih lanjut dengan model berbasis GA, di mana kumulatif Total pengembalian untuk benchmark dihitung dari produk hasil kuartalan rata-rata dari 10 saham semikonduktor selama periode pelatihan atau pengujian, dan pengembalian tahunan yang terkait dihitung lagi oleh (14). Tabel 2: Perbandingan imbal hasil tahunan dari model berbasis GA dan patokan untuk 10 saham semikonduktor dari tahun 2003 sampai 2012. Pada Tabel 2., sebuah inspeksi terhadap alat hasil model tahunan menunjukkan bahwa di semua 39 TV di Kasus pelatihan metode berbasis GA melebihi benchmark. Untuk tahap pengujian, dalam 30 dari 39 kasus, metode berbasis GA melampaui benchmark. Gambar 6 selanjutnya menampilkan gambar visual mengenai ketidaksesuaian kinerja kedua metode ini dalam tahap pengujian. Seperti dapat dilihat, di sebagian besar TV, kembalinya model berbasis GA secara tahunan lebih besar daripada benchmark. Hasil ini menunjukkan metode berbasis GA kami menjanjikan penyelesaian masalah perdagangan pasangan. Gambar 6: Hasil rata-rata tahunan dari 50 model berbasis GA teratas versus patokan (di setiap TV fase pengujian) untuk 10 saham semikonduktor dari tahun 2003 sampai 2012. 3.2. 10 Saham dengan Kapitalisasi Pasar Terbesar Selanjutnya kita menggunakan 10 saham kapitalisasi pasar terbesar yang tercatat di Bursa Efek Taiwan untuk meneliti lebih lanjut metode yang kami usulkan. Pengembalian saham harian dari tahun 2003 sampai 2012 kembali digunakan untuk tugas pengoptimalan oleh GA. Tabel 3 menunjukkan 10 saham dengan cap pasar terbesar yang digunakan dalam penelitian ini. Tabel 3: 10 saham cap pasar terbesar yang digunakan dalam penelitian ini. Gambar 7 menampilkan ilustrasi akumulasi akumulasi benchmark (yang sekali lagi didefinisikan sebagai produk dari rata-rata pengembalian harian dari 10 saham cap pasar terbesar selama 10 tahun) dan model berbasis GA kami. Seperti yang dapat dilihat, model berbasis GA berangsur-angsur mengungguli patokan selama investasi selama tahun 2003 sampai 2012, dan perbedaan kinerja menjadi signifikan pada akhir tahun 2012. Gambar ini menggambarkan bagaimana model berbasis GA dapat mengungguli Patokan dalam jangka panjang. Figure 7: Accumulated return of the benchmark versus the GA-based model for the 10 largest market cap stocks from years 2003 to 2012. For the temporal validation, by the same procedure used in the previous subsection, Table 4 shows the annualized benchmark return and the average of the annualized model returns for the training and testing cases. As can be seen from the means of the annualized model returns in the training case, the GA-based method outperforms the benchmark in all the 39 TVs. For the testing phase, in 29 out of 39 cases the GA-based method outperforms the benchmark, as well. Figure 8 then displays the results in Table 4 for each TV in the testing phase. An inspection of Figure 8 thus shows that, in 29 out of 39 TVs, the GA-based models outperform the benchmark in terms of annualized returns. Table 4: Comparisons of the annualized returns of the GA-based model and the benchmark for the 10 largest market cap stocks from years 2003 to 2012. Figure 8: Averaged annualized return of the top 50 GA-based models versus the benchmark (in each TV of the testing phase) for the 10 largest market cap stocks from years 2003 to 2012. 3.3. Model Robustness Finally, we examine the robustness of the models generated by our method using the measure of precision studied in 5 , which is defined as In this definition, and denote the number of true positives and false positives, respectively. In this study, a true positive occurs when a model outperforms the benchmark in training, and it later turns out to outperform the benchmark in testing, as well otherwise, the model generates a false positive. This statistic is an important metric that indicates whether our proposed method can generate robust models when the problem is in a dynamic environment, such as the financial problem studied here. Typically, if a method generates a model that outperforms the benchmark in the training phase, one would like the model to continue to outperform the benchmark in the testing phase. Therefore, if our proposed method is able to generate many true positives that leads to high precision, it is an indication that our method is effective in generating robust models. Table 5 displays the results of precision for the 10 semiconductor and largest market cap stocks. As can be seen, the results show that the precision of our proposed method is more than 0.7 in both cases, thereby indicating that our proposed method is indeed effective. Table 5: Precision for the 10 semiconductor and largest market cap stocks. 4. Conclusions In this paper, we presented a GA-based methodology for the application of pairs trading in computational finance. In order to examine the validity of the proposed methodology, we conducted a statistical validation on the learned models to account for the temporal order and dynamic characteristics of the stock data, which is critical for the real-world investment as practically one expects the models constructed to gain profits in the future. Through the optimization of parameters of the trading models for a group of stocks, the experimental results showed that our GA-based method is able to significantly outperform the benchmark and can generate robust models for pairs trading. We thus expect this GA-based method to advance the research in computational intelligence for financial applications and provide a promising solution to pairs trading. Conflict of Interests The authors declare that there is no conflict of interests regarding the publication of this paper. Acknowledgments This work is fully supported by the National Science Council, Taiwan, under Grant no. MOST 103-2221-E-390-019. The authors would also like to thank Professor Chih-Hsiang Chang for his generosity in providing the financial data. References A. M. Farley and S. Jones, Using a genetic algorithm to determine an index of leading economic indicators, Computational Economics . vol. 7, no. 3, pp. 163173, 1994. View at Publisher View at Google Scholar View at Scopus A. Mochxf3n, D. Quintana, Y. Sxe1ez, and P. Isasi, Soft computing techniques applied to finance, Applied Intelligence . vol. 29, no. 2, pp. 111115, 2008. View at Publisher View at Google Scholar View at Scopus K.-J. Kim and I. Han, Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index, Expert Systems with Applications . vol. 19, no. 2, pp. 125132, 2000. View at Publisher View at Google Scholar View at Scopus Y. Becker, P. Fei, and A. Lester, Stock selectionx2014an innovative application of genetic programming methodology, in Genetic Programming Theory and Practice IV . R. Riolo, T. Soule, and B. Worzel, Eds. vol. 5 of Genetic and Evolutionary Computation . chapter 12, pp. 315334, Springer, Ann Arbor, Mich, USA, 2006. View at Google Scholar C.-F. Huang, A hybrid stock selection model using genetic algorithms and support vector regression, Applied Soft Computing Journal . vol. 12, no. 2, pp. 807818, 2012. View at Publisher View at Google Scholar View at Scopus X. Z. Zhang, Y. Hu, K. Xie, S. Y. Wang, E. W. T. Ngai, and M. Liu, A causal feature selection algorithm for stock prediction modeling, Neurocomputing . vol. 14, pp. 4859, 2014. View at Publisher View at Google Scholar View at Scopus G. Zhang, B. E. Patuwo, and M. Y. Hu, Forecasting with artificial neural networks: the state of the art, International Journal of Forecasting . vol. 14, no. 1, pp. 3562, 1998. View at Publisher View at Google Scholar View at Scopus C.-L. Huang and C.-Y. Tsai, A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting, Expert Systems with Applications . vol. 36, no. 2, pp. 15291539, 2009. View at Publisher View at Google Scholar View at Scopus T.-C. Chu, C.-T. Tsao, and Y.-R. Shiue, Application of fuzzy multiple attribute decision making on company analysis for stock selection, in Proceedings of the 1996 Asian Fuzzy Systems Symposium on Soft Computing on Intelligent Systems and Information Processing . pp. 509514, Kenting, Taiwan, December 1996. View at Scopus M. R. Zargham and M. R. Sayeh, A Web-based information system for stock selection and evaluation, in Proceedings of the 1st International Workshop on Advance Issues of E-Commerce and Web-Based Information Systems . pp. 8183, 1999. View at Publisher View at Google Scholar N. Chapados and Y. Bengio, Cost functions and model combination for VaR-based asset allocation using neural networks, IEEE Transactions on Neural Networks . vol. 12, no. 4, pp. 890906, 2001. View at Publisher View at Google Scholar View at Scopus Y. Becker, P. Fei, and A. Lester, Stock selection: an innovative application of genetic programming methodology, in Genetic Programming Theory and Practice IV . R. Riolo, T. Soule, and B. Worzel, Eds. Springer, New York, NY, USA, 2007. View at Google Scholar K. K. Lai, L. Yu, S. Wang, and C. Zhou, A double-stage genetic optimization algorithm for portfolio selection, in Neural Information Processing: Proceedings of the 13th International Conference, ICONIP 2006, Hong Kong, China, October 3x20136, 2006, Part III . vol. 4234 of Lecture Notes in Computer Science . pp. 928937, Springer, Berlin, Germany, 2006. View at Publisher View at Google Scholar S.-S. Chen, C.-F. Huang, and T.-P. Hong, A multi-objective genetic model for stock selection, in Proceedings of the 27th Annual Conference of the Japanese Society for Artificial Intelligence . 2013. G. G. Szpiro, Forecasting chaotic time series with genetic algorithms, Physical Review E . vol. 55, no. 3, pp. 25572568, 1997. View at Google Scholar View at Scopus A. Fiordaliso, A nonlinear forecasts combination method based on Takagi-Sugeno fuzzy systems, International Journal of Forecasting . vol. 14, no. 3, pp. 367379, 1998. View at Publisher View at Google Scholar View at Scopus N. S. Thomaidis, N. Kondakis, and G. D. Dounias, An intelligent statistical arbitrage trading system, in Advances in Artificial Intelligence . vol. 3955 of Lecture Notes in Computer Science . pp. 596599, Springer, Berlin, Germany, 2006. View at Publisher View at Google Scholar M. Avellaneda and J.-H. Lee, Statistical arbitrage in the US equities market, Quantitative Finance . vol. 10, no. 7, pp. 761782, 2010. View at Publisher View at Google Scholar View at MathSciNet View at Scopus E. Gatev, W. N. Goetzmann, and K. G. Rouwenhorst, Pairs trading: performance of a relative-value arbitrage rule, Review of Financial Studies . vol. 19, no. 3, pp. 797827, 2006. View at Publisher View at Google Scholar View at Scopus C. L. Dunis, G. Giorgioni, J. Laws, and J. Rudy, Statistical arbitrage and high-frequency data with an application to Eurostoxx 50 equities, CIBEF Working Papers . CIBEF, 2010. View at Google Scholar R. J. Elliott, J. van der Hoek, and W. P. Malcolm, Pairs trading, Quantitative Finance . vol. 5, no. 3, pp. 271276, 2005. View at Publisher View at Google Scholar View at MathSciNet View at Scopus P. Saks and D. Maringer, Genetic programming in statistical arbitrage, in Applications of Evolutionary Computing . vol. 4974 of Lecture Notes in Computer Science . pp. 7382, Springer, Berlin, Germany, 2008. View at Publisher View at Google Scholar C.-F. Huang, T.-N. Hsieh, B. R. Chang, and C.-H. Chang, A comparative study of stock scoring using regression and genetic-based linear models, in Proceedings of the IEEE International Conference on Granular Computing (GrC 11) . pp. 268273, IEEE, Kaohsiung, Taiwan, November 2011. View at Publisher View at Google Scholar View at Scopus J. Murphy, Technical Analysis of Financial Markets . New York Institute of Finance, New York, NY, USA, 1999. J. H. Holland, Adaptation in Natural and Artificial Systems . The University of Michigan Press, Ann Arbor, Mich, USA, 1975. View at MathSciNet D. E. Goldberg and K. Deb, A comparative analysis of selection schemes used in genetic algorithms, in Foundation of Genetic Algorithms . pp. 6993, 1991. View at Google ScholarTrading Strategies An economic theory of total spending in the economy and its effects on output and inflation. Ekonomi Keynesian dikembangkan. Kepemilikan aset dalam portofolio. Investasi portofolio dilakukan dengan harapan menghasilkan laba di atasnya. Ini. Rasio yang dikembangkan oleh Jack Treynor bahwa langkah-langkah menghasilkan keuntungan lebih dari yang dapat diperoleh tanpa risiko. Pembelian kembali saham beredar (repurchase) oleh perusahaan untuk mengurangi jumlah saham yang beredar di pasaran. Perusahaan. Pengembalian pajak adalah pengembalian pajak yang dibayarkan kepada individu atau rumah tangga bila kewajiban pajak sebenarnya kurang dari jumlah tersebut. Nilai moneter semua barang jadi dan jasa diproduksi dalam batas negara dalam jangka waktu tertentu.
Trading-strategy-with-rsi
Stock-options-training