ترکیب دستگاه بردار پشتیبانی با الگوریتم های ژنتیکی برای بهینه سازی سرمایه گذاری در بازارهای فارکس با اهرم بالا

این کار بر اساس الگوریتم های ژنتیکی و دستگاه بردار پشتیبانی برای تجارت در بازار فارکس ، یک رویکرد جدید را پیشنهاد می کند. در این کار ، یک الگوریتم جدید قادر به ایجاد قوانین فنی برای ایجاد سرمایه گذاری با مقدار معینی از اهرم بسته به اطمینان از پیش بینی ارائه شده است. برای پیش بینی این پیش بینی ها ، ترکیبی از یک الگوریتم دستگاه بردار پشتیبانی (SVM) - شناسایی و طبقه بندی بازار در سه مرحله مختلف - و یک الگوریتم ژنتیکی پویا - برای بهینه سازی قوانین تجارت در هر نوع بازار استفاده می شود. بهینه سازی قوانین معاملات بر اساس چندین شاخص فنی است. داده های فارکس برای جفت ارز EUR/USD ، در یک بازه زمانی بین سالهای 2003 و 2016 ، به عنوان داده های آموزش و آزمایش استفاده می شود. معماری پیشنهادی برای سیستم یادگیری ماشین و همچنین اجرای و مطالعه سیستم پیشنهادی به تفصیل شرح داده شده است. استفاده از یک سیستم ترکیبی ، ترکیب SVM و GA با رویکردهای پویا مانند بیش از حد و رویکردهای سازگاری با آموزش سه GA مختلف برای هر نوع بازار ، یک رویکرد جدید برای تجارت فارکس فراهم می کند ، جایی که می توان طبقه بندی روندها را طبقه بندی کرد. استفاده از توالی قیمت و بنابراین استفاده از همان طبقه بندی برای بهینه سازی استراتژی های سرمایه گذاری با مناسب ترین GA. سرانجام ، این کار نتایج امیدوار کننده ای را در دوره آزمون بین 2 ژانویه 2015 تا 2 مارس 2016 نشان می دهد ، جایی که بازده سرمایه گذاری به دست آمده 83 ٪ است.

چکیده گرافیکی

معرفی

بازار ارز (FX) یک بازار جهانی برای تجارت ارز است. این مایع ترین بازار مالی جهان محسوب می شود. به گفته بانک برای شهرک های بین المللی ؛معاملات در بازارهای فارکس به طور متوسط 5. 3 تریلیون دلار در روز در آوریل 2013 [1]. یکی دیگر از مزایای این نوع بازارها ؛این است که ؛معاملات 24 ساعت شبانه روز در دسترس است. هر روز از دوشنبه تا جمعه

این مشکل مالی یک موضوع بسیار مورد مطالعه است و یک مشکل نسبتاً انگیزه بخش برای محققان در زمینه یادگیری ماشین است. در این کار ، به طور دقیق تر ، در نظر گرفته شده است تا یک استراتژی سرمایه گذاری ، با استفاده از نسبت های مختلف اهرم ، که در بازارهای ارزی یا به طور خاص در بازارهای فارکس اعمال می شود ، تدوین شود. این کار با مطالعه تکنیک های موجود در حوزه محاسبات تکاملی ، که قادر به یادگیری رویدادهای گذشته به منظور پیش بینی موارد آینده هستند ، ایجاد می شود و بر این اساس قوانین سرمایه گذاری را تولید می کند ، بنابراین ، کیفیت و سود سرمایه گذاری حاصل از یک سرمایه گذاری انجام می شود. انسان. گفت که ، این در نظر گرفته شده است تا رویکردهای مختلف را با استفاده از الگوریتم های ژنتیکی (GA) برای بهینه سازی قوانین سرمایه گذاری و پشتیبانی از دستگاه بردار (SVM) برای طبقه بندی انواع مختلف بازارها ، مطالعه کند. برای به دست آوردن بازده زیاد در این نوع بازارها برای استفاده از یک استراتژی خوب اهرم ضروری است [2]. اهرم مالی ابزاری بسیار متداول است که در بازارهای مالی مورد استفاده قرار می گیرد و هدف آن افزایش بازده یک سرمایه گذاری است که ضرر و زیان به همان اندازه بزرگ است.

الگوریتم های ژنتیک سنتی برای مسائل ایستا خوب هستند، یعنی مشکلاتی که در طول زمان تغییر نمی کنند و در همان محیط باقی می مانند. مشکلات دنیای واقعی دائماً در حال تغییر هستند، گونه ها را وادار به سازگاری می کنند و آنهایی که سریع تر سازگار می شوند زنده می مانند، اما وقتی محیط تغییر می کند چه اتفاقی می افتد؟آیا بهتر است الگوریتم را دوباره راه اندازی کنیم؟این مشکل را می توان با استفاده از الگوریتم های ژنتیک پویا حل کرد که مجموعه ای از ابزارها را برای پیش بینی و سازگاری بهتر با محیط های جدید ترکیب می کنند و راه حل های جدیدی را بدون شروع مجدد کل فرآیند ارائه می دهند. همانطور که قبلاً گفته شد، تمرکز اصلی این کار بر بازارهای ارز خارجی با استفاده از الگوریتم ژنتیک برای بررسی احتمالات اهرم مالی با تکیه بر SVM برای شناسایی بازار در فارکس است. کار توسعه یافته در این مقاله، مشارکت های زیر را داشت: یک مدل طبقه بندی کننده بر اساس الگوریتم ماشین بردار پشتیبان ایجاد می کند که سه نوع بازار را برای شناسایی محیط مورد استفاده برای سه الگوریتم ژنتیک مختلف که در هر یک از محیط ها آموزش داده شده اند، طبقه بندی می کند. الگوریتم ژنتیک پویا را تولید می کند که رویکردهای سازگاری را معرفی می کند و از یک سیستم حافظه برای ذخیره جمعیت هر GA، همراه با اطلاعات محیطی بهره می برد. یک راه حل جدید اهرمی مبتنی بر مقادیر بهینه از کروموزوم الگوریتم ژنتیک، همراه با مطالعه سیر تحول ارزش های قیمت بازار فارکس را معرفی می کند.

در نهایت، این مقاله در پنج بخش تشکیل شده است. بخش 1 - مقدمه، کار توسعه یافته در این کار را با توضیح مختصری در مورد محاسبات تکاملی معرفی می کند. بخش 2 - کارهای مرتبط - برخی از مفاهیم اساسی مرتبط با بازارهای مالی مورد استفاده و راه حل های موجود در این زمینه مطالعاتی را توضیح می دهد. در ادامه، بخش 3 معماری سیستم پیشنهادی ، معماری پیشنهادی سیستم توسعه یافته و توسعه مدل نظری مورد استفاده در این مورد را شرح می دهد. بخش 4 - اعتبار سنجی سیستم - روش ارزیابی که استراتژی توسعه یافته را ارزیابی می کند را شرح می دهد. در نهایت، بخش 5 - نتیجه گیری - کار انجام شده را خلاصه می کند و نتیجه گیری می کند.

قطعات بخش

پیشینه و مدرن

این بخش مفاهیم اساسی در مورد بازارهای ارز خارجی، شاخص های فنی، تمرکز بر راه حل های موجود در مورد چندین حوزه در یادگیری ماشین و محاسبات تکاملی را برای درک بهتر مشکل و راه حل پیشنهادی ارائه می کند.

معماری سیستم پیشنهادی

راه حل پیشنهادی در نظر دارد یک الگوریتم برای تجارت جفت ارزهای FX ایجاد کند که از یک SVM برای دسته بندی نوع بازار و یک الگوریتم ژنتیک برای بهینه سازی راه حل سرمایه گذاری به منظور تجارت با چندین سطح اهرم استفاده می کند. این بخش معماری سیستم و به طور دقیق تر لایه های مختلف برنامه سیستم و نحوه پیاده سازی آنها را توضیح می دهد. با توجه به تحقیقات انجام شده در قبل، مجموعه فناوری های اجرا شده نیز تشریح خواهد شد

اعتبار سنجی سیستم

در این بخش، اعتبار سنجی سیستم ارائه شده است، که در آن یک مطالعه موردی با نتایج به دست آمده از تجربیات توسعه یک سیستم ترکیبی با یک SVM و یک GA نشان داده شده است. رویکرد بک تست بر اساس یک پنجره کشویی برای مجموعه های آموزشی بین سال های 2003 و 1 ژانویه 2015، و سپس یک دوره آزمایشی واقعی است که در آن رویکرد هرگز داده ها را بین 2 ژانویه 2015 تا 2 مارس 2016 مشاهده نکرده بود. مجموعه داده از بروکر فارکس Dukascopy است و در دسترس است

نتیجه گیری

این کار یک راه حل مناسب برای سرمایه گذاری خودکار در بازارهای فارکس، با استفاده از شاخص های فنی و توالی قیمت برای پیش بینی نقاط ورود و خروج پیشنهاد می کند. این راه حل یک SVM را برای طبقه بندی بازار با الگوریتم های ژنتیک ترکیب می کند تا قوانین معاملاتی مختلف را برای هر نوع بازار پیدا کند. برای بهبود راه حل باید از داده های بیشتری در مورد بازار FX استفاده شود، هر چه جمعیت ها بیشتر باشد و توالی های قیمت بیشتری SVM برای تکمیل ماژول آموزشی ارائه شود، راه حل بهتری ارائه می شود.

قدردانی ها

این کار تا حدی توسط Fundação para a Ciência e a Tecnologia (پروژه UID/EEA/50008/2013) پشتیبانی شده است.