Vous souhaitez apprendre à créer un système de négociation automatisé qui peut gérer plusieurs comptes de négociation, plusieurs classes d'actifs et le commerce sur plusieurs sites de négociation Simultanément Dans ce webinaire, nous allons présenter un exemple de workflow pour la recherche, La mise en œuvre, les tests et le déploiement d'une stratégie de négociation automatisée offrant une flexibilité maximale dans ce que et avec qui vous commerce. Vous apprendrez comment les produits MATLAB peuvent être utilisés pour la collecte de données, l'analyse et la visualisation des données, le développement et l'étalonnage des modèles, le backtesting, les tests de marche avant, l'intégration avec les systèmes existants et le déploiement en temps réel. Nous examinons chacune des parties dans ce processus et voyons comment MATLAB fournit une plate-forme unique qui permet la solution efficace de toutes les parties de ce problème. Modèles de construction et de prototypage dans MATLAB Backtesting et calibrage d'un modèle Test de marche avant et validation de modèle Interaction avec les bibliothèques existantes et les logiciels pour l'exécution commerciale Déploiement de l'application finale Dans un certain nombre d'environnements, y compris les outils. NET, JAVA et Excel pour la négociation à haute fréquence, y compris le calcul parallèle, les GPU et la génération de code C à partir de MATLAB Product Focus Sélectionnez votre paysImélioration des systèmes commerciaux commerciaux en utilisant une nouvelle procédure d'algorithme génétique fondée sur MATLAB Des études récentes sur les marchés financiers suggèrent que l'analyse technique peut être un outil très utile pour prédire la tendance. Les systèmes de négociation sont largement utilisés pour l'évaluation du marché, mais l'optimisation des paramètres de ces systèmes n'a suscité que peu d'intérêt. Dans cet article, nous présentons un nouvel outil MATLAB basé sur des algorithmes génétiques pour explorer la puissance potentielle du commerce numérique. Cet outil est spécialisé dans l'optimisation des paramètres des règles techniques. Il utilise la puissance des algorithmes génétiques pour générer des solutions rapides et efficaces en termes commerciaux réels. Notre outil a fait l'objet d'essais approfondis sur les données historiques d'un fonds UBS investissant dans les marchés boursiers émergents grâce à notre système technique spécifique. Les résultats montrent que notre GATradeTool proposé surpasse les outils logiciels couramment utilisés et non adaptatifs en ce qui concerne la stabilité du retour et l'économie de temps sur toute la période d'échantillonnage. Cependant, nous avons fourni des preuves d'un effet de taille de population possible dans la qualité des solutions. Marchés financiers Prédiction Algorithmes génétiques Investissement Règles techniques 1. Introduction Aujourd'hui, les traders et les analystes d'investissement ont besoin d'outils rapides et efficaces dans un marché financier impitoyable. Les batailles dans le commerce sont maintenant principalement menées à vitesse d'ordinateur. Le développement de nouvelles technologies logicielles et l'apparition de nouveaux environnements logiciels (par exemple, MATLAB) constituent la base pour résoudre en temps réel des problèmes financiers difficiles. MATLABrsquos vaste fonctionnalité mathématique et financière intégrée, le fait qu'il est à la fois un langage de programmation interprété et compilé et son indépendance plate-forme le rendent bien adapté pour le développement d'applications financières. Des preuves sur les rendements obtenus par les règles techniques, y compris les stratégies de momentum (par exemple 14. 15. 16. 16. 25 xA0andxA020), les règles de moyenne mobile et les autres systèmes de négociation 6. 2.9 xA0andxA024 peuvent étayer l'importance de l'analyse technique. Cependant, la majorité de ces études ont ignoré la question de l'optimisation des paramètres, ce qui les laisse ouvertes à la critique de la fouille des données et de la possibilité de biais de survie 7. 17 xA0andxA08. Traditionnellement, les chercheurs ont utilisé spécification ad hoc des règles de négociation. Ils utilisent une configuration populaire par défaut ou de façon aléatoire essayer quelques paramètres différents et sélectionner le meilleur avec des critères basés sur le retour principalement. Papadamou et Stephanides 23. ont mis en place une nouvelle boîte à outils basée sur MATLAB pour le trading technique assisté par ordinateur qui a inclus une procédure pour les problèmes d'optimisation des paramètres. Cependant, le point faible de leur procédure d'optimisation est le temps: la fonction objective (par exemple le profit) n'est pas une simple fonction d'erreur carrée mais compliquée (chaque itération d'optimisation passe par les données, génère des signaux commerciaux, calcule les profits, etc.). Lorsque les ensembles de données sont grands et que vous souhaitez réoptimiser votre système souvent et que vous avez besoin d'une solution dès que possible, puis essayer toutes les solutions possibles pour obtenir le meilleur serait une tâche très fastidieuse. Les algorithmes génétiques (GA) sont mieux adaptés car ils effectuent des recherches aléatoires de manière structurée et convergent très rapidement sur des populations de solutions quasi optimales. L'AG vous donnera un ensemble (population) de solutions ldquogoodrdquo. Les analystes sont intéressés à obtenir quelques bonnes solutions aussi vite que possible plutôt que la solution globalement meilleure. La solution la mieux adaptée au monde existe, mais il est très peu probable qu'elle continue d'être la meilleure. Le but de cette étude est de montrer comment les algorithmes génétiques, une classe d'algorithmes dans le calcul de l'évolution, peuvent être utilisés pour améliorer la performance et l'efficacité des systèmes de négociation informatisés. Il ne s'agit pas ici de fournir une justification théorique ou empirique de l'analyse technique. Nous démontrons notre approche dans une tâche de prévision particulière basée sur les marchés boursiers émergents. Ce document est organisé comme suit. Les travaux antérieurs sont présentés à la section 2. Le jeu de données et notre méthodologie sont décrits à la section 3. Les résultats empiriques sont discutés à la section 4. Conclusions suit Section 5. 2. Travaux antérieurs Il existe un grand nombre de travaux de GA dans les domaines de l'informatique et de l'ingénierie, mais peu de travail a été fait concernant les domaines liés aux affaires. Il ya eu un intérêt croissant pour l'utilisation de l'AG dans l'économie financière, mais jusqu'ici, peu de recherches ont été faites sur le commerce automatisé. Bauer et Liepins 4. Bauer 5, dans son livre intitulé Algorithmes génétiques et stratégies d'investissement, proposait des conseils pratiques sur la façon dont les AG pourraient être utilisés pour développer des stratégies commerciales attrayantes fondées sur des informations fondamentales. Ces techniques peuvent être facilement étendues pour inclure d'autres types d'informations telles que les données techniques et macroéconomiques ainsi que les prix passés. Selon Allen et Karjalainen 1. algorithme génétique est une méthode appropriée pour découvrir les règles commerciales techniques. Fernaacutendez-Rodriacuteguez et al. 11 en adoptant l'optimisation des algorithmes génétiques dans une règle de négociation simple fournissent des preuves pour l'utilisation réussie des AG de la Bourse de Madrid. D'autres études intéressantes sont celles de Mahfoud et Mani 18 qui présentent un nouveau système basé sur l'algorithme génétique et l'appliquent à la tâche de prédire les performances futures des stocks individuels par Neely et al. 21 et par Oussaidene et al. 22 qui ont appliqué la programmation génétique aux prévisions de change et ont signalé un certain succès. Une des complications de l'optimisation GA est que l'utilisateur doit définir un ensemble de paramètres tels que le taux de croisement, la taille de la population et le taux de mutation. Selon De Jong 10, qui a étudié les algorithmes génétiques dans l'optimisation des fonctions, de bonnes performances GA requièrent une forte probabilité de croisement (inversement proportionnelle à la taille de la population) et une taille de population modérée. Goldberg 12 et Markellos 19 suggèrent qu'un ensemble de paramètres qui fonctionne bien à travers de nombreux problèmes est un paramètre de croisement 0,6, taille de population 30 et paramètre de mutation 0,0333. Bauer 4 a effectué une série de simulations sur des problèmes d'optimisation financière et a confirmé la validité des suggestions de Goldbergrsquos. Dans la présente étude, nous effectuerons une étude de simulation limitée en testant diverses configurations de paramètres pour le système de négociation choisi. Nous allons également fournir des preuves pour l'AG proposée en comparant notre outil avec d'autres outils logiciels. Mise au point automatique du système de négociation avec MATLAB Stuart Kozola, MathWorks Vous voulez apprendre à créer un système automatisé de négociation qui peut gérer plusieurs comptes de négociation, Commerce sur plusieurs sites de négociation Simultanément Dans ce webinaire, nous présentons un exemple de workflow pour la recherche, la mise en œuvre, le test et le déploiement d'une stratégie de négociation automatisée offrant une flexibilité maximale dans quoi et avec qui vous commerce. Vous apprendrez comment les produits MATLAB peuvent être utilisés pour la collecte de données, l'analyse et la visualisation des données, le développement et l'étalonnage des modèles, le backtesting, les tests de marche avant, l'intégration avec les systèmes existants et le déploiement en temps réel. Nous examinons chacune des parties dans ce processus et voyons comment MATLAB fournit une plate-forme unique qui permet la solution efficace de toutes les parties de ce problème. Modèles de construction et de prototypage dans MATLAB Backtesting et calibrage d'un modèle Test de marche avant et validation de modèle Interaction avec les bibliothèques existantes et les logiciels pour l'exécution commerciale Déploiement de l'application finale Dans un certain nombre d'environnements, y compris les outils. NET, JAVA et Excel pour la négociation à haute fréquence, y compris le calcul parallèle, les GPU et la génération de code C à partir de MATLAB.
No comments:
Post a Comment