ทางพันธุกรรม ขั้นตอนวิธี ใช้ แอพลิเคชัน เพื่อ เทคนิค การซื้อขาย ระบบ การออกแบบ

ขั้นตอนวิธีทางพันธุกรรมการประยุกต์ใช้ในการออกแบบระบบการค้าทางเทคนิค 1 ขั้นตอนวิธีทางพันธุกรรมการประยุกต์ใช้ในการออกแบบระบบการค้าทางเทคนิค V Kapoor Institute of Engineering Technology, Devi Ahilya University, Indore S Dey สถาบันการจัดการอินเดีย Indore AP Khurana School of Computer Science Devi Ahilya University, Indore บทคัดย่อการศึกษาล่าสุดแสดงให้เห็นว่าในบริบทของตลาดการเงินการวิเคราะห์ทางเทคนิคเป็นเครื่องมือที่มีประโยชน์มากสำหรับการคาดการณ์แนวโน้มการย้ายกฎเฉลี่ยมักใช้เพื่อตัดสินใจซื้อหรือขายในชีวิตประจำวันเนื่องจากความสามารถในการค้นหาพื้นที่การค้นหาขนาดใหญ่ที่ค่อนข้างต่ำ ความพยายามในการคำนวณขั้นตอนวิธีทางพันธุกรรม GA อาจมีประสิทธิภาพในการเพิ่มประสิทธิภาพของระบบการซื้อขายทางเทคนิคบทความนี้ศึกษาถึงปัญหาที่ GA สามารถนำมาใช้ปรับปรุงประสิทธิภาพของกฎการซื้อขายโดยการเพิ่มประสิทธิภาพพารามิเตอร์และการเปลี่ยนแปลงการออกแบบของ GA เองได้อย่างไร ส่งผลกระทบต่อคุณภาพของโซลูชันที่ได้จากบริบทของระบบการค้าทางเทคนิค tudy เราได้เน้นการใช้ประโยชน์จากพลังของอัลกอริทึมทางพันธุกรรมเพื่อปรับพารามิเตอร์กฎการซื้อขายทางเทคนิคในเบื้องหลังตลาดการเงินผลการทดสอบตามข้อมูลเวลาจริงแสดงให้เห็นว่ากฎที่ดีที่สุดที่ได้จากการใช้ GA สามารถเพิ่มผลกำไรที่สร้างขึ้นอย่างมีนัยสำคัญเมื่อเทียบกับ ความยาวเฉลี่ยของความยาวเฉลี่ยของการเคลื่อนย้ายตามคำสั่งซื้อจากวรรณคดีการเงินคำหลักขั้นตอนวิธีทางพันธุกรรม GA s ขนาดประชากรระบบการซื้อขายกฎทางเทคนิคบทนำนักลงทุนในตลาดหุ้นมีความกังวลเกี่ยวกับการเพิ่มอัตราผลตอบแทนหรือกำไรในช่วงไม่กี่ปีที่ผ่านมาตลาดหุ้นทั่วโลกมีแนวโน้มปรับตัวดีขึ้น, และมีการเพิ่มขึ้นอย่างมีนัยสำคัญในจำนวนงานวิจัยที่มุ่งเน้นการลงทุนในตลาดหุ้นเนื่องจากมีข้อมูลจำนวนมากนักลงทุนจึงประสบปัญหาในการตัดสินใจเกี่ยวกับวิธีสร้างรายได้ที่สูงขึ้นจากการซื้อขายหลักทรัพย์ผู้เชี่ยวชาญด้านการเงินหลายรายล้มเหลวในความพยายามของพวกเขา คาดการณ์แนวโน้มในตลาดอย่างสมบูรณ์, เนื่องจากแนวโน้มราคาที่ผันผวนและมีความผันผวนของราคาสมมติฐานตลาดที่มีประสิทธิภาพ EMH เป็นหนึ่งในพื้นฐานที่สำคัญที่สุดของทฤษฎีทางการเงินสมัยใหม่ซึ่งระบุว่าเป็นไปไม่ได้ที่จะชนะตลาดการวิเคราะห์ทางเทคนิคเป็นวิธีที่นิยมใช้ในการซื้อขายหุ้นมีจำนวนมาก วรรณคดีอุทิศให้กับกฎการวิเคราะห์ทางเทคนิคที่ควรจะสามารถระบุแนวโน้มรั้นหรือหยาบคายหรือผกผันใน trajectories ของราคา 4, 8, 9, 0 การวิเคราะห์ทางเทคนิคถือว่าแนวโน้มในอนาคตสามารถรับรู้ได้เนื่องจากเป็นหน้าที่ของราคาที่ผ่านมา ปีมีการอภิปรายในหมู่ผู้ปฏิบัติงานและนักวิชาการเกี่ยวกับความเป็นประโยชน์ของกฎการซื้อขายทางเทคนิคและสมมติฐานตลาดที่มีประสิทธิภาพ EMH ความพยายามในการใช้ตัวชี้วัดทางเทคนิคก่อนหน้านี้ใช้ตัวกรองแบบง่าย 2 ในขณะที่การวิเคราะห์วรรณคดีเกี่ยวกับการวิเคราะห์ทางเทคนิคที่มีอยู่ทำให้รู้สึกไม่สบายใจบางครั้งเนื่องจาก ความพร้อมใช้งานของจำนวนแทบไม่มีที่สิ้นสุดของกฎการซื้อขายทางเทคนิคหลากหลายวิธีที่พวกเขาสามารถ b e ใช้ค่าเฉลี่ยเคลื่อนที่เมื่อเร็ว ๆ นี้ถูกใช้โดย Brock 2 ผลงานของพวกเขาแสดงให้เห็นว่าสามารถหาผลลัพธ์ที่ให้ผลกำไรได้โดยใช้วิธีนี้เป็นระบบค่าเฉลี่ยเคลื่อนที่แบบธรรมดาซึ่งใช้กันทั่วไปในระบบจำลองการซื้อขายและมีพารามิเตอร์สองชุดที่มีความยาวสองค่าเฉลี่ยเคลื่อนที่ ความยาวเฉลี่ยเคลื่อนที่สามารถครอบคลุมช่วงเวลาต่างๆจากวันที่ 500 วันเป็นต้นการใช้พารามิเตอร์ที่ถูกต้องคือความยาวในการสร้างกฎการค้าเป็นสิ่งสำคัญอย่างยิ่งนอกจากนี้ยังมีอยู่จำนวนมากผสมพารามิเตอร์ต่างๆสำหรับการย้ายกฎเฉลี่ยทำให้ไม่สามารถ ทดสอบทั้งหมดด้วยตนเองเป็นส่วนหนึ่งของกระบวนการตัดสินใจดังนั้นจึงมีความจำเป็นในการพัฒนาวิธีอัตโนมัติสำหรับการเพิ่มประสิทธิภาพระบบการซื้อขายการเพิ่มประสิทธิภาพเป็นกระบวนการค้นหาโดยที่วิธีที่ดีที่สุดสามารถค้นพบได้เป็นเพียงวิธีหรือขั้นตอนวิธีที่ช่วยให้เราสามารถ หาทางเลือกที่ดีที่สุดหรือใกล้เคียงกับทางออกที่ดีที่สุดสำหรับปัญหาที่กำหนดในกรณีที่ระบบการค้าหรือการเพิ่มประสิทธิภาพกฎสามารถทำได้ เพื่อค้นหาชุดของพารามิเตอร์กฎข้อที่ดีที่สุดสำหรับการแก้ปัญหาที่มีอยู่หรือการออกกำลังกายสำหรับปัญหาที่กำหนดสามารถค้นพบได้หลายวิธีบางปัญหาง่ายๆจะได้รับการแก้ไขโดยการทดลองและข้อผิดพลาดที่นำมาใช้บ่อยครั้งโดยความเข้าใจของมนุษย์เนื่องจากสมองของมนุษย์เป็นหนึ่งใน ระบบการเพิ่มประสิทธิภาพการ heuristic ที่มีประสิทธิภาพมากที่สุดในโลกในบางกรณีการเพิ่มประสิทธิภาพการวิเคราะห์เช่นการพัฒนารูปแบบการถดถอยแบบหลาย ๆ 3 5 6 7 หรือวิธีการที่ใช้แคลคูลัสมีการใช้สำหรับระบบที่ซับซ้อนมากขึ้นวิธีการหรืออัลกอริทึมที่ซับซ้อนมีความจำเป็น implement ด้วยรหัสโปรแกรมในภาษาคอมพิวเตอร์บางเครื่องในกรณีที่ใช้คอมพิวเตอร์การจำลองกระบวนการวิวัฒนาการเป็นขั้นตอนวิธีทางพันธุกรรมเป็นวิธีที่แปลกใหม่ในการค้นพบหรือค้นหาโซลูชันที่มีคุณภาพสูงเพื่อแก้ไขปัญหาที่ซับซ้อน GAs เป็นอัลกอริทึม heuristic โดยยึดตามหลักการการอยู่รอดของหลักการ fittest, และไม่รับประกันว่าจะเป็นทางเลือกที่ดีที่สุดในโลก แต่ใกล้เคียงกับแนวทางที่ดีที่สุดเท่านั้นพวกเขาได้รับการแสดงอย่างเป็นทางการว่าเป็นแนวทางที่มีประสิทธิภาพอย่างน่าทึ่งสำหรับ การเพิ่มประสิทธิภาพการทำงานที่ไม่ใช่เชิงเส้น 4, 8 และ 9 ฟังก์ชันการออกกำลังกายที่ใช้ใน GAs เป็นส่วนหนึ่งของรหัสการเขียนโปรแกรมที่สะท้อนถึงความน่าดึงดูดใจของโซลูชันที่เฉพาะเจาะจงในกรณีที่ปัญหาของเราการออกกำลังกายถูกตีความว่าเป็นกำไรสุทธิสำหรับการเบิกจ่ายที่รุนแรง งานที่อธิบายไว้ในบทความนี้คือการตรวจสอบว่าอัลกอริทึมทางพันธุกรรมสามารถใช้คลาสของอัลกอริธึมในการคำนวณวิวัฒนาการเพื่อปรับปรุงประสิทธิภาพของกฎการซื้อขายโดยเฉพาะได้อย่างไรและการเปลี่ยนแปลงในการออกแบบของ GA จะส่งผลต่อคุณภาพของโซลูชันที่ได้รับในบริบทอย่างไร ของระบบการซื้อขายทางเทคนิคที่นี่จุดมุ่งหมายหลักของเราคือการค้นพบชุดค่าพารามิเตอร์กฎการซื้อขายที่ดีที่สุดจำนวน 44.2 ชุดที่ได้รับการประเมินในชุดข้อมูลทางการเงินที่แท้จริงเช่นข้อมูลทางประวัติศาสตร์ไม่ใช่เป็นจุดประสงค์เพื่อให้เหตุผลเชิงทฤษฎีหรือเชิงทดลองของการวิเคราะห์ทางเทคนิคเอกสารฉบับนี้มีโครงสร้างดังนี้ วิธีทางพันธุกรรมและงานที่เกี่ยวข้องได้นำเสนอในส่วนที่ 2 ชุดข้อมูลและวิธีการจะอธิบายไว้ในส่วนที่ 3 ตอนที่ 4 อธิบายถึงระบบ GA based ที่นำเสนอส่วนที่ 5 เป็นการศึกษาประสิทธิภาพของวิธีการนี้ข้อสรุปและส่วนขยายบางส่วนที่นำเสนอดังนี้การสำรวจข้อมูลทางพันธุกรรมของส่วนการค้นหาขั้นตอนการค้นหาและการเพิ่มประสิทธิภาพทั่วโลกขึ้นอยู่กับหลักการของวิวัฒนาการทางชีววิทยาธรรมชาติ GA เป็นความพยายามที่จะรวมคอมพิวเตอร์ วิทยาศาสตร์และวิวัฒนาการตามธรรมชาติมันเป็นความพยายามที่จะเลียนแบบพลังแห่งวิวัฒนาการตามธรรมชาติในทฤษฎีโปรแกรมดาร์วินทฤษฎีการคัดเลือกโดยธรรมชาติเป็นแรงบันดาลใจสำหรับ GA GA เป็นแบบสุ่มในธรรมชาติเช่นว่าพวกเขาใช้ประโยชน์จากโอกาสสุ่มในการดำเนินงานของพวกเขา GA เริ่มต้นด้วยการสุ่มเลือกประชากรของ ผู้สมัครที่ได้รับการประเมินตามสมรรถภาพของการออกกำลังกายที่กำหนดไว้และจากนั้นจะมีการพัฒนาวิธีแก้ปัญหาใหม่ ๆ โดยใช้ตัวดำเนินการทางพันธุกรรมเช่นการคัดเลือกการไขว้และการกลายพันธุ์ดูขั้นตอนวิธีทางพันธุกรรมรูปที่รูปต้นกำเนิดของเป้าหมาย GA คือการปรับปรุงสมรรถนะของโซลูชัน โดยระบุเงื่อนไขการหยุด เหตุผลที่อยู่เบื้องหลังการครอสโอเวอร์คือถ้าพ่อแม่สองคนแสดงออกโดยการมีสมรรถภาพในระดับสูงการข้ามพวกเขาจะนำไปสู่แนวทางที่ดีกว่าสำหรับลูกหลานเนื่องจากพื้นที่การค้นหามีขนาดใหญ่การรักษาแบบเดิม ๆ ผ่านทางรุ่นโดยผู้ดำเนินการเปลี่ยนแปลงใช้นาน ๆ เพื่อที่ประชากรจะไม่สูญเสียความหลากหลายทางพันธุกรรมเป้าหมายหลักของ GA คือการค้นพบผู้เชี่ยวชาญหรือโซลูชันที่เหมาะสมเกือบที่สุด GA มีลักษณะเป็นไปตามความเร็วเร็วกว่าวิธีการเพิ่มประสิทธิภาพแบบ Brute Force โดยเฉพาะอย่างยิ่งเมื่อต้องเผชิญกับการระเบิดแบบผสมผสาน การใช้ GA ในการซื้อขายหลักทรัพย์ได้รับการประเมินโดยนักวิจัยหลายคนเกี่ยวกับการใช้งานทางการเงินที่แสดงให้เห็นถึงผลลัพธ์ที่คาดการณ์ไว้ Bauer 8 ใช้ GA เพื่อสร้างกฎการซื้อขายซึ่งเป็นนิพจน์แบบบูลีนในการรับรู้ของฉันบทความฉบับแรกที่เชื่อมโยงการลงทุนของ GA มาจาก Bauer และ Liepins 9 Baur 9 ในหนังสือ Algorithms พันธุกรรมและยุทธศาสตร์การลงทุน s นำเสนอคำแนะนำที่สมจริงเกี่ยวกับวิธี GA สามารถใช้เพื่อพัฒนากลยุทธ์การซื้อขายที่โดดเด่นบนพื้นฐานของข้อมูลพื้นฐานเทคนิคเหล่านี้สามารถขยายได้ง่ายรวมถึงข้อมูลประเภทอื่น ๆ เช่นกฎการซื้อขายทางเทคนิคและราคาที่ผ่านมาตามที่ Allen และ Karjalainen 20 ระบุว่าพันธุกรรม อัลกอริธึมเป็นวิธีการที่เหมาะสมในการค้นหากฎการซื้อขายทางเทคนิคการศึกษาอื่น ๆ ที่น่าสนใจดำเนินการโดย Mahfoud และ Mani 2 ที่ใช้ระบบอัลกอริธึมทางพันธุกรรมใหม่และนำไปประยุกต์ใช้กับงานในการทำนายการแสดงในอนาคตของหุ้นแต่ละรายการและการเขียนโปรแกรมทางพันธุกรรมเพื่อพยากรณ์อัตราแลกเปลี่ยน รายงานความสำเร็จบางอย่าง Goldberg 5 และ De Jong 22 ชี้ให้เห็นว่าพารามิเตอร์การควบคุมชุด Crossover 0 6 การเปลี่ยนแปลงของประชากรขนาด 300 ทำงานได้ดีในหลาย ๆ ปัญหา Bauer 8 ได้ทำการจำลองแบบต่างๆเกี่ยวกับปัญหาการเพิ่มประสิทธิภาพทางการเงินและสร้างความแข็งแกร่งของคำแนะนำ Goldberg Ramon Lawrence 23 ศึกษา วิธีการใช้ GA ในการฝึกอบรมเครือข่ายประสาท ระบบการซื้อขาย Korczak 24 ใช้ GA เพื่อค้นหาชุดกฎการซื้อขายที่ให้สัญญาณการซื้อและขายหุ้นแต่ละหุ้น Jin Li 25 ใช้โปรแกรมทางพันธุกรรมเพื่อปรับปรุงการคาดการณ์การวิเคราะห์ทางเทคนิค Laura Nu n ez-letamendia 26 และอื่น ๆ อีก 27 ใช้ GA เพื่อเพิ่มพารามิเตอร์ ของกฎการซื้อขายตามที่ลอร่า Nu n ez - letamendia 26 GA s ทำงานได้ดีขึ้นในระดับสูงและความน่าจะเป็นการกลายพันธุ์ต่ำและขนาดปานกลางประชากรดูเพิ่มเติม 6, 7 3 วิธีการทางกฎหมายแม้ว่าเราสามารถสร้างจำนวนไม่รู้จบของกฎการซื้อขายโดยการรวมกันของขนาดใหญ่ จำนวนของตัวชี้วัดทางเทคนิคและผู้ประกอบการทางคณิตศาสตร์บางส่วนของกฎเหล่านี้เป็นที่นิยมและมีการใช้อย่างกว้างขวางโดยผู้ปฏิบัติงานและดึงดูดความสนใจของนักวิชาการหนึ่งในกฎที่รู้จักกันดีเหล่านี้คือ Crossing of Moving Averages Average หมายถึงราคาเฉลี่ยของวันที่ผ่านมา การเคลื่อนย้ายหมายถึงการกำหนดราคาโดยเฉลี่ยอยู่ตลอดเวลา Moving Average เป็นตัวบ่งชี้ที่ปกคลุมด้วยวัตถุฉนวนซึ่งใช้ในการแบน ข้อมูลที่ไม่สามารถคาดเดาหรือขรุขระเพื่อให้ได้ราคาที่แท้จริงของราคากฎการซื้อขายที่เรียกว่า Crossing of moving averages ขึ้นอยู่กับสัญญาณที่เกิดจากการข้าม MAs ของความยาวที่แตกต่างกันค่าเฉลี่ยเคลื่อนที่สำหรับ n วันจะได้จาก n Pt n i0 โดยที่ P ti คือราคาปิดของวันที่ ti และ n หมายถึงจำนวนวันที่ผ่านมาของค่าเฉลี่ยเคลื่อนที่ที่สร้างขึ้น ได้แก่ ความยาวของ MA สัญญาณซื้อและขายจะถูกสร้างขึ้นในสัญญาณซื้อหรือซื้อตามรูปแบบต่อไปนี้ตามการพูดคุยตลาดเมื่อ MA สั้นลง สูงกว่า MA อีกต่อไป 2 Pt i Pt i eq 2 i0 2 i0 ในกรณีที่ 2 สัญญาณการขายหรือตำแหน่งสั้นตามการพูดคุยตลาดจะเกิดขึ้นเมื่อ MA น้อยกว่า MA อีกต่อไป 2 Pt i Pt i 3 2 i0 45.3 Where 2 The พารามิเตอร์เช่นความยาวของสองค่าเฉลี่ยเคลื่อนที่และ 2 ได้รับการคัดเลือก heuristically หรือสัญชาตญาณโดยผู้ประกอบการค้าสามารถมีได้หลายชุดถ้าเราจํากัดจำนวนวันที่จะสร้าง MA ถึง 500 คือจะมี 2, 50,000 จำนวนพารามิเตอร์การตั้งค่าสำหรับกฎตาม บน cro ssing of moving averages ด้วยเหตุนี้การค้นหาพื้นที่จะเพิ่มขึ้นอย่างมากเช่นจำนวนพารามิเตอร์ที่จะปรับขึ้นพร้อมกับการรวมตัวชี้วัดทางเทคนิคในระบบการซื้อขายเนื่องจากตัวบ่งชี้ทุกตัวจะประกอบด้วยพารามิเตอร์อย่างน้อยหนึ่งตัวในกรณีที่ระบบการซื้อขายเราต้องหาทางรวมกัน ของพารามิเตอร์ที่ให้ประสิทธิภาพที่ดีที่สุดหรือดีที่สุดหรือกำไรในกรณีของการข้ามระบบการซื้อขายตามหลัก MA จุดมุ่งหมายหลักของเราคือการหาค่าพารามิเตอร์เช่นความยาวของสอง MA และ 2 ซึ่งสัญญาณซื้อขายซื้อหรือขายให้ผลตอบแทนที่ดีที่สุดดังนั้นการเพิ่มประสิทธิภาพระบบการค้าของเรา หมายถึงการเพิ่มสมรรถนะการออกกำลังกายของเราเช่นผลกำไรที่ได้จาก TRf f 4 i Dri pi pi eq 5 TR f คือผลตอบแทนรวมสำหรับช่วงเวลาตัวอย่าง DRi คือผลตอบแทนรายวันสำหรับวัน i, P i หมายถึงราคาหุ้นของ day i เป็นตัวแปร dummy ซึ่งสร้างมูลค่าสำหรับสัญญาณซื้อระยะยาวและ - สำหรับขายสั้นสัญญาณระบบการซื้อขายจะขายและซื้อตำแหน่ง แต่ไม่มีการออกจากตลาดตำแหน่งไม่รวมค่าใช้จ่ายในการทำธุรกรรมของเรา จุดมุ่งหมายในงานวิจัยนี้คือการหาแนวทางในการแก้ปัญหาการเพิ่มประสิทธิภาพโดยใช้ขั้นตอนวิธีทางพันธุกรรมที่เกี่ยวกับการเปลี่ยนแปลงขนาดของประชากรที่รักษาจำนวนของการประเมินสมรรถนะอย่างต่อเนื่องและเพื่อพิสูจน์ความทนทานของขั้นตอนวิธีทางพันธุกรรม 4 ระบบฐานข้อบกพร่องทางพันธุกรรมที่แนะนำโดยใช้ C และ VISUAL BASIC อัลกอริทึมทางพันธุกรรมได้รับการพัฒนาโดยฮอลแลนด์คือขั้นตอนการค้นหาและการเพิ่มประสิทธิภาพโดยอิงตามหลักการของวิวัฒนาการทางชีวภาพของ GA ที่แตกต่างกับขั้นตอนการเพิ่มประสิทธิภาพอื่น ๆ ในไม่กี่วิธีที่ GA ทำงานร่วมกับการเขียนโค้ดของพารามิเตอร์ที่ไม่ได้ใช้พารามิเตอร์แบบแยกกันดังนั้น GA สามารถจัดการกับตัวแปรไบนารี การค้นหาของ GA จากจำนวนจุดไม่ใช่จุดเดียวดังนั้นพวกเขาสามารถนำเสนอโซลูชั่นที่ดีที่สุดทั่วโลกในที่สุด GA ทำงานเกี่ยวกับฟังก์ชันการออกกำลังกายไม่ได้อยู่ในความรู้ความเข้าใจอื่น ๆ ดังนั้น GA จะเป็นประโยชน์ในการหาโซลูชันระดับโลกสำหรับฟังก์ชันที่ไม่ต่อเนื่องและไม่แตกต่างกัน ที่มีอยู่ในปัญหาการเพิ่มประสิทธิภาพจริงสถาปัตยกรรมของระบบในการวิจัยของเราคือ ข้อมูลของเราในการทดสอบจะดำเนินการจะถูกเก็บไว้ใน Microsoft Excel ไม่มีการเริ่มต้นประชากรของโครโมโซมประเมินค่าฟังก์ชันการออกกำลังกายตัวดำเนินการเลือกใช้ตัวดำเนินการครอสโอเวอร์ใช้ตัวดำเนินการ mutational ประเมินค่าฟังก์ชันการออกกำลังกาย ปัจจุบันประชากรตอบสนองความต้องการที่กำหนดไว้ล่วงหน้าโมดูล GA ในโมดูลฟังก์ชัน C Fitness ในการทดสอบพื้นฐานการซื้อขายข้อมูลเทรดดิ้งโมดูลการสร้างโมดูลการซื้อขายโมดูลการจำลองการออกกำลังกายหรือผลกำไรได้ดีที่สุดโครโมโซมหรือกฎการซื้อขายรูปที่ 2 ขั้นตอนการจำลองแต่ละพารามิเตอร์ในอัลกอริทึมทางพันธุกรรมถูกเข้ารหัสเป็นไบนารี สตริงและ concatenated เพื่อสร้างโครโมโซมค่าเฉลี่ยเคลื่อนที่ที่สั้นลงไปจากเซสชั่นไป 256 เซสชั่นเช่นความยาวของสตริง 8 บิตอดีต 0000 ค่าเฉลี่ยเคลื่อนที่อีกต่อไปไปจากเซสชั่นไปยังเซสชั่น 52 เช่นความยาวสตริงจาก 9 บิตเช่น 0000 ดังนั้นพื้นที่ค้นหาทั้งหมดเป็น 7 บิต ex 0000 0000 คือ 2 7 ในการศึกษาของเราเรามี เราดำเนินการทดลองแต่ละครั้งด้วยจำนวนประชากร 20, 50, 70 และ 00 โดยให้จำนวนการประเมินสมรรถนะคงที่เริ่มต้นด้วยประชากรที่สร้างขึ้นแบบสุ่มตัวอย่างวิธีแก้ปัญหาเหล่านี้จะผ่านการทดสอบตามสมรรถภาพทางกายที่กำหนดในสมการ 4 และ 46.4 Maximum Fitness International Journal of Applications คอมพิวเตอร์ 5 เพื่อหาทางออกที่ดีกว่าสำหรับการแลกเปลี่ยนข้อมูลโครโมโซมในยุคต่อไปโดยใช้ตัวครอสโอเวอร์เลียนแบบจากพันธุกรรมธรรมชาติเพื่อให้ได้ทางออกที่ดีขึ้นการใช้ Mutation ในการเพิ่มความหลากหลายแบบสุ่มในการแก้ปัญหา ใช้ในการวัดคุณภาพของสารละลายในแต่ละโครโมโซมในประชากรเราได้ใช้วิธีการเลือกรูเล็ตล้อซึ่งเลือกตามความเป็นไปได้ของแต่ละคนในกรณีที่มีการคำนวณการทำงานของสมรรถภาพการทำงานของแต่ละโครโมโซมแต่ละครั้ง หนึ่งใน ช่วงที่ต่อเนื่องกันในช่วง o ผลรวมในการเลือกแต่ละหมายเลขสุ่มจะถูกสร้างขึ้นจาก 0 เป็นผลรวมและบุคคลที่มีช่วงเวลาสุ่มเลือกกระบวนการนี้ซ้ำจนกว่าจะมีการเลือกบุคคลที่ต้องการหลังจากที่ผู้สมัครแต่ละรายได้รับอนุญาตให้เข้าร่วม ในปัญหาของเราเราได้เก็บความครอสโอเวอร์และความน่าจะเป็นการกลายพันธุ์ 90 และเช่น 0 90 และผลลัพธ์ที่เป็นเอกเทศในส่วนนี้เราใช้วิธีการของเราไปยังข้อมูลของธนาคารแห่งประเทศอินเดียที่นำมาจาก National Stock Exchange ของอินเดียข้อมูล การวิเคราะห์ประกอบด้วย 36 ข้อสังเกตราคาปิดของหุ้นในแต่ละวันสำหรับช่วงเวลา 2 08 200 ถึง 29 2 ปี 2549 ระยะเวลาการเพิ่มประสิทธิภาพมีความหมายระหว่าง 2 08 200 ถึง 29 2 ปี 2549 ตารางประชากรขนาดผลกระทบขนาดประชากร 2 235 44 4 40 2 73 9 22 สูงสุด กำไร Rs - Rs - Rs 936 - Rs 947 - Rs - Rs - Rs - Rs - Rs - Rs - Return สูงสุด 6 60 4 27 60 39 50 38 Std dev of Profits กำไรสูงสุด dev รูปที่ 3 ค่าเฉลี่ยออกกำลังกาย functi ประสิทธิภาพการทำงานของ GA สำหรับประชากรที่แตกต่างกันผลการดำเนินการของขั้นตอนวิธีทางพันธุกรรมครอสโอเวอร์ 0 90 การกลายพันธุ์ 0 0 ประชากร 20 ประชากร 50 ประชากร 70 ประชากรรุ่นรูปที่ 4 สมรรถนะสมรรถนะสูงสุดสำหรับ GA ที่ใช้สำหรับขนาดประชากรที่แตกต่างกันปัญหาการเพิ่มประสิทธิภาพของเราคือการกำหนดความยาวเฉลี่ยที่เหมาะสมของ Moving Averages และ 2 ที่สร้างผลกำไรให้มากขึ้นโดยเฉพาะอย่างยิ่งเรามีความสนใจที่จะวัดผลกระทบของการเปลี่ยนแปลงของขนาดประชากร 20, 50, 70, 00 ในการปฏิบัติตามวิธีการเพิ่มประสิทธิภาพของ GA ซึ่งทำให้การประเมินผลการทำงานของค่าคงที่อยู่ในอันดับที่ 6 ความกังวลเกี่ยวกับการขาดการศึกษาในเรื่องเฉพาะ 47.5 ตารางให้ผลการเพิ่มประสิทธิภาพ GA สำหรับขนาดประชากรที่แตกต่างกันเพื่อวัดผลกระทบของการเปลี่ยนแปลงในขนาดของประชากรในการแก้ปัญหาที่ดีที่สุดเราได้ตรวจสอบชุดของสถิติที่แตกต่างกันเช่นขนาดของประชากร 20, 50, 70,00 กับรุ่นของ 25, 50, 35, 25 การรักษาจำนวนของการประเมินผลการทำงาน ns constant to แถวแรกของตารางแสดงพารามิเตอร์ที่ดีที่สุด ได้แก่ MA s ความยาวและ 2 ของค่าเฉลี่ยเคลื่อนที่สองค่าสำหรับการทดสอบที่ดำเนินการกับขนาดประชากรที่แตกต่างกันแถวที่สอง, สามและสี่แสดงกำไรหรือสมรรถภาพสูงสุด, กำไรเฉลี่ยหรือสมรรถภาพและส่วนเบี่ยงเบนมาตรฐานของโซลูชัน เราได้คำนวณดัชนีประสิทธิภาพด้วยการแบ่งสมรรถภาพสูงสุดโดยค่าเบี่ยงเบนมาตรฐานของการแก้ปัญหาทั้งหมดสำหรับขนาดประชากรที่แตกต่างกันดังที่แสดงในตารางโดยการดูที่ตารางเราสามารถพูดได้ว่าตราบใดที่ขนาดของประชากรเพิ่มมากขึ้นเท่าที่จะทำได้ ในกรณีที่มีสมรรถภาพเฉลี่ยเพิ่มขึ้นหลังจากที่ประชากรมีขนาด 20 และต่อมาหลังจากที่ขนาดประชากร 50 ลดลงอย่างมากแสดงให้เห็นว่าชุดการแก้ปัญหากลายเป็นเสียงดังในธรรมชาติและมีความหลากหลายมากขึ้นในการแก้ปัญหาที่ได้รับเนื่องจากขนาดของประชากรเพิ่มขึ้น ดัชนีประสิทธิภาพที่ดีที่สุดคือขนาดของประชากรที่ 20 นอกจากนี้ยังพบว่าประชากรที่ต่ำกว่า ze นำไปสู่ประสิทธิภาพที่ต่ำกว่าคือการออกกำลังกายสูงสุดที่ต่ำกว่าค่าเบี่ยงเบนมาตรฐานที่คำนวณได้เป็นตัวชี้วัดความหลากหลายหรือการกระจายตัวของประชากรจากตารางและจากรูปที่ 3 และ 4 แสดงให้เห็นว่าสำหรับประชากรขนาดใหญ่ความหลากหลายในประชากรมีขนาดใหญ่และดีที่สุด สารละลายที่ได้รับใกล้เคียงกับค่าที่เหมาะสมค่าการแพร่กระจายจะเพิ่มขึ้นเมื่อขนาดของประชากรเพิ่มขึ้นซึ่งหมายความว่าความผันผวนของสารละลายเพิ่มขึ้นตามขนาดของประชากรจากรูปที่ 3 และ 4 พบว่าสมรรถภาพการออกกำลังกายและค่าออกกำลังกายเฉลี่ยจะลดลงหลังจากไม่กี่ชั่วอายุ สำหรับประชากรต่ำ 20 นี่คือความจริงที่ว่ามีความหลากหลายในประชากรลดลงเนื่องจากการสำรวจพลังงานของขั้นตอนวิธีทางพันธุกรรมนี้จะกลายเป็น จำกัด จึงให้ผลการออกกำลังกายที่น้อยที่สุดจากตารางและรูปที่ 3 และ 4 เป็นที่สังเกตว่าเป็นขนาดของประชากรเพิ่มขึ้นวิธีการแก้ปัญหา คุณภาพการออกกำลังกายสูงสุดยังเพิ่มขึ้นดังนั้นในกรณีของประชากรขนาดใหญ่มีความเป็นไปได้สูงขึ้นของ havi บุคคลในประชากรที่มีค่าออกกำลังกายหรือใกล้เคียงกับค่าที่ดีที่สุดเราสนใจที่จะทราบถึงผลกระทบจากการเปลี่ยนแปลงขนาดประชากรโดยคำนึงถึงจำนวนคนรุ่นที่รักษาจำนวนการประเมินสมรรถนะของฟังก์ชันไว้อย่างต่อเนื่องจนกว่าจะถึงความสมดุลที่เหมาะสมซึ่งจะช่วยให้เรา เพื่อลดการใช้ทรัพยากรคอมพิวเตอร์ที่ใช้โดยใช้ GA ซึ่งช่วยลดเวลาในการทำงานและช่วยให้สามารถค้นหาช่องว่างขนาดใหญ่ในเวลาที่น้อยลงและทรัพยากรที่คำนวณได้จากผลของเราดูรูปที่ 3 และ 4 เห็นได้ว่ามีขนาดประชากรน้อยและมีจำนวนรุ่นมากขึ้น, มันจะนำไปสู่การบรรจบกันที่ดีที่สุดในท้องถิ่นตรงกันข้ามถ้าเราเพิ่มขนาดของประชากรและลดจำนวนของคนรุ่นแล้วจะมีปัญหาในการปรับตัวต่อสภาพแวดล้อมของประชากรดังนั้นความสมดุลที่เหมาะสมระหว่างขนาดประชากรและจำนวนของคนเป็นสิ่งจำเป็นเราได้เห็นจากรูปที่ 4 ว่าในกรณีที่มีขนาดประชากรของ 00 เราได้รับการออกกำลังกายสูงสุดหรือใกล้เคียงกับวิธีการแก้ปัญหาที่ดีที่สุดในยุคต้น ๆ แต่ก็เห็น n จากตารางและรูปที่ 3 และ 4 ว่าการเปลี่ยนขนาดประชากรจาก 50 เป็น 70 ไม่ส่งผลกระทบต่อผลลัพธ์ที่ได้รับอย่างมีนัยสำคัญจากรูปที่ 3 และ 4 สังเกตได้ว่าการออกกำลังกายสูงสุดและเฉลี่ยดังต่อไปนี้มีแนวโน้มในเชิงบวกเมื่อหลายชั่วอายุคนผ่านไปและจะมีเสถียรภาพหลังจากไม่กี่ รุ่นสำหรับทุกขนาดของประชากรจะเห็นรูปที่ 3 และ 4 สมรรถภาพเฉลี่ยและการออกกำลังกายที่ดีขึ้นเมื่อเวลาผ่านไปเกี่ยวกับความผันผวนของค่าเบี่ยงเบนมาตรฐานของโซลูชันจะเพิ่มขึ้นจากเมื่อขนาดของประชากรเพิ่มขึ้นจาก 20 เป็น 00 เนื่องจากความสามารถในการออกกำลังกายนี้จะเพิ่มขึ้นจาก Rs - Rs 947 - และอัตราผลตอบแทนโดยรวมยังเพิ่มขึ้นจาก 6 เป็น 50 อันเนื่องมาจากความหลากหลายที่เพิ่มขึ้นตามขนาดของประชากรและความสามารถในการค้นหาขั้นตอนวิธีทางพันธุกรรมเพื่อหาทางออกที่ดีที่สุดทั่วโลก ระยะกลางและระยะยาวการเคลื่อนย้ายค่าเฉลี่ยของข้อมูลที่ผ่านมาก่อนที่จะมีการตัดสินใจใด ๆ ความยาวเฉลี่ย 3 ช่วงความยาวคลื่นที่เคลื่อนที่ได้มาจากกฎเกณฑ์ในการเงิน literatu เช่น Brock 2 เห็นว่าค่าเฉลี่ยความยาวเคลื่อนที่เช่น 0,30, 30,60, 50,50 เป็นที่นิยมในฐานะระยะสั้นระยะกลางและระยะยาวในระยะยาวในชุมชนทางการเงินกฎที่สร้างโดย GA ถูกทดสอบกับ ความยาวเฉลี่ยทั้งสามแบบนี้แสดงผลในตารางที่ 2 ความยาวเฉลี่ยเคลื่อนที่สามช่วงเวลา MA 30,60 มีประสิทธิภาพดีที่สุดอัตราผลตอบแทนสูงสุดคือ 90 02 และกำไรสูงสุดของระบบ Rs 535 - GA จะได้รับผลตอบแทนสูงสุดจาก 60 39 และ ในความเป็นจริง GA ที่ด้อยกว่าซึ่งมีประชากร 20 คนมีกำไรสูงสุดของ RS - และผลตอบแทนสูงสุดคือ 6 60 ซึ่งทำได้ดีกว่าระยะสั้นเหล่านี้ เฉลี่ยและระยะยาวตามกฎการเคลื่อนที่โดยเฉลี่ยตารางที่ 2 การเปรียบเทียบผลการปฏิบัติงานระหว่าง GA ที่สร้างขึ้นสำหรับขนาดประชากรต่าง ๆ และค่าเฉลี่ยความยาวเฉลี่ยของการเคลื่อนไหวสามตัวที่มีต่อข้อมูลทดสอบข้อมูลทางพันธุกรรม GA ผลลัพธ์ขนาด 20 ขนาด 50 ขนาด 70 ผลกำไรสูงสุด Rs - 6 60 Rs - 4 27 Rs 936 Rs 947 ขนาดสูงสุด Rs 947 R ต่ำสุด - 6 60 ค่าเฉลี่ย Rs Std Dev เทคนิคการย้ายค่าเฉลี่ย MA Rules ผลลัพธ์ที่ดีที่สุดในแต่ละคอลัมน์จะเน้น MA 0,30 Rs MA 30,60 Rs 535 MA 50,50 Rs 326 ในทุกเรื่องที่เราประสบความสำเร็จในการใช้ GA เพื่อให้ได้พารามิเตอร์ที่เหมาะสมของระบบการซื้อขายทางเทคนิคอัตราผลตอบแทนและกำไรสูงโดยรวมมีความเหนือกว่าสูงสุดของ GA ในแง่ของอัตราผลตอบแทนโดยรวมสำหรับชุดทดสอบที่สูงซึ่งแสดงถึงพลังแห่งวิวัฒนาการ อัลกอริทึมและปัญญาประดิษฐ์ในวิศวกรรมทางการเงิน 48.6 การตรวจสอบผลลัพธ์ข้างต้นและข้อมูลการทดลองที่ได้จากการทดสอบจำนวนมากเราไม่สามารถปลอมแปลงทฤษฎีความเข้มข้นของอัลกอริทึมทางพันธุกรรมในการหาทางออกที่ดีที่สุดทั่วโลกเกี่ยวกับพารามิเตอร์การควบคุมขั้นตอนวิธีทางพันธุกรรมเช่นขนาดและจำนวนประชากร ในระดับที่ดีเราสามารถเอาชนะสมมติฐาน EMH ตลาดที่มีประสิทธิภาพซึ่งระบุว่าข้อมูลสาธารณะใด ๆ จะถูกสะท้อนในราคาหุ้นและ มันเป็นไปไม่ได้ที่จะเอาชนะตลาด 6 บทสรุปและผลงานในอนาคตเนื่องจากการวิเคราะห์ทางเทคนิคส่วนใหญ่ใช้เป็นเครื่องมือในการซื้อขายหลักทรัพย์จึงไม่ค่อยมีประเด็นเกี่ยวกับการเพิ่มประสิทธิภาพพารามิเตอร์วัตถุประสงค์หลักของเราในบทความนี้คือเพื่อแสดงให้เห็นถึงความก้าวหน้าใหม่ ๆ ของคอมพิวเตอร์ วิศวกรรมระบบและคอมพิวเตอร์แบบอ่อนสามารถใช้เพื่อปรับปรุงการเพิ่มประสิทธิภาพของกฎทางเทคนิคระบบนี้ใช้เฉพาะกับการคาดการณ์ประสิทธิภาพของแต่ละหุ้นเช่นธนาคารของรัฐอินเดียข้อมูลที่นำมาจากตลาดหลักทรัพย์แห่งชาติของอินเดียซึ่งแสดงให้เห็นว่ามีความคาดหวังบางอย่างในข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว ด้วยแนวคิด "moving averages" ซึ่งเป็นตัวบ่งชี้ทางเทคนิคที่ใช้งานได้ง่ายและเป็นที่นิยมมากที่สุดที่ใช้ในการวิเคราะห์ตลาดหุ้นเรานำเสนอแนวคิดในการเป็นตัวแทนของกลยุทธ์การลงทุนเป็นหลักเกณฑ์ในการซื้อเมื่อใดและเมื่อใดที่จะขายซึ่งจะรวมกันเป็นงบเรื่องเงื่อนไขที่เกี่ยวข้องกับความแตกต่างของค่าเฉลี่ยเคลื่อนที่ ความยาวของค่าเฉลี่ยเคลื่อนที่จะถูกเข้ารหัสเป็นสตริงไบนารีหรือโครโมโซมโดยใช้ GA เช่นกัน perators เช่นล้อรูเล็ตครอสโอเวอร์การกลายพันธุ์เราประสบความสำเร็จในการใช้ขั้นตอนวิธีทางพันธุกรรมในการแก้ปัญหาการเพิ่มประสิทธิภาพของพารามิเตอร์ของกฎการค้าทางเทคนิคที่มีผลกำไรโดยรวมสูงขึ้นและผลตอบแทนที่ได้ผลการทดลองของเราแสดงให้เห็นว่า GA ช่วยในการหาโซลูชั่นที่เหมาะสมที่สุดทั่วโลก การเพิ่มขึ้นของการออกกำลังกายที่มีคุณภาพสูงสุดเมื่อขนาดของประชากรเพิ่มขึ้นภายในการทดลองข้อมูลชุด จำกัด ที่มีขนาดประชากรทั้งหมดแสดงให้เห็นว่าผลลัพธ์ที่ใกล้เคียงกันคืออัตราผลตอบแทนโดยรวมสูงจากตารางที่ 2 จะเห็นได้ว่าผลตอบแทนสูงสุดและกำไรสูงสุด ความยาวเฉลี่ยที่ได้รับจาก GAs ต่างๆเมื่อเทียบกับค่าเฉลี่ยความยาวเฉลี่ยที่ได้รับจากวรรณคดีทางการเงินการวิเคราะห์ข้อมูลการทดลองจากการทดสอบเป็นจำนวนมากข้อสรุปของเราก็คือข้อเสนอของความทนทานของ GA ยังคงสมเหตุสมผลสำหรับการปรับพารามิเตอร์ของระบบการซื้อขายทางเทคนิคเรา ดำเนินการทดลองเป็นจำนวนมาก แต่ก็ยังคงอยู่ จำกัด เป็นจำนวนของการทดสอบที่เราสามารถดำเนินการเกี่ยวกับขนาดประชากรและจำนวนของคนรุ่นเป็นอนันต์ดังนั้นข้อสรุปที่จะระมัดระวังเราสามารถที่จะเอาชนะ EMH ในระดับใหญ่และแสดงให้เห็นว่าการวิเคราะห์ทางเทคนิคมีค่าบางอย่างสุดท้ายมันจะเป็นแรงจูงใจสำหรับล่วงหน้า การวิจัยเพื่อทดสอบชุดของระบบการซื้อขายที่แตกต่างกันและดูว่า GA มีผลต่อระบบการค้าอื่นอย่างไรหัวข้อนี้อาจเป็นหัวข้อของการวิจัยในอนาคต 7 อ้างอิง V Kapoor, S Dey, AP Khurana การสร้างแบบจำลองอิทธิพลของตลาดหุ้นโลกในดัชนีอินเดีย NSE เผยแพร่ใน การประชุมวิชาการนานาชาติเรื่องการสร้างแบบจำลองและการจำลองสถานการณ์ MS 09 จัดโดยวิทยาลัยวิศวกรรมศาสตร์ Trivandrum และ AMSE Thrivananthapuram วันที่ 2 ธันวาคม 2 Brock, W Lakonishok, J LeBaron, B กฎทางเทคนิคที่เรียบง่ายและคุณสมบัติสุ่มของผลตอบแทนของหุ้นวารสารการเงิน XLVII 5 , 3 Xiaoqing Weng, Junyi Shen, การตรวจหาตัวอย่างนอกลู่นอกทางในชุดข้อมูลชุดข้อมูลหลายตัวแปรแบบเรียลไทม์ Systems Knowledge-Based Systems Elsevier 4 Jarl Kallberg, P Aolo Pasquariello, Time-series และ crosssectional comovement เกินในดัชนีหุ้นวารสาร Empirical Finance Elsevier 5 Chang-Jin Kim, Jeremy Pigerc, Richard Startz, การประเมินรูปแบบการถดถอยพหุคูณ Markov ด้วยการเปลี่ยนแบบ endogenous วารสาร Econometrics Elsevier 6 Nicolaas Groenewold, Sam Hak Kan Tang, Yanrui Wu, ความสามารถในการทำกำไรของกฎการซื้อขายแบบถดถอยตามตลาดหุ้นเซี่ยงไฮ้วารสาร Empirical Finance Elsevier 7 Andr ขณะที่ Heinen, Erick Rengifo การสร้างแบบจำลองอัตถิภาพอัตโนมัติแบบหลายตัวแปรของชุดข้อมูลเวลาใช้ข้อมูล Copulas Journal of Empirical Finance Elsevier 8 P Manchandaa, J Kumara, AH Siddiqi, วิธีการทางคณิตศาสตร์สำหรับการสร้างแบบจำลองความผันผวนของราคาทางการเงินของวารสาร Journal of the Franklin Institute Elsevier 9 Michael D McKenzie, Suk-Joong Kim, หลักฐานการไม่สมมาตรในความสัมพันธ์ระหว่างความผันผวนและความสัมพันธ์ระหว่าง Elsevier 0 RH Loschi, PL Iglesias, RB Arellano-Valle, FRB ครูซ, แบบจำลองการคาดการณ์ข้อมูลตลาดหุ้นเต็มรูปแบบการประยุกต์ใช้เพื่อแก้ไขประเด็นปัญหา European Journal of Operations Research Elsevier Agarwal, SK Deb, การทำความเข้าใจปฏิสัมพันธ์ระหว่างพารามิเตอร์อัลกอริทึมของยีนใน Banzhaf, W Reaves, C การสังเคราะห์อัลกอริทึมเชิงพันธุกรรม Vol 2 HE Aguirre, K Tanaka, Parallel varying อัลกอริทึมการกลายพันธุ์ทางพันธุกรรม, การทำธุรกรรมของ IEEE, 3 DE Goldberg, การปรับขนาดประชากรสำหรับอัลกอริทึมเชิงพันธุกรรมแบบอนุกรมและแบบคู่ขนานใน Schaffer, JD Ed, การประชุมวิชาการนานาชาติเรื่องที่สามเกี่ยวกับอัลกอริทึมพันธุกรรม Morgan Kaufmann, Los Altos, CA, pp 989 4 H Muhlenbein, How อัลกอริทึมทางพันธุกรรมจริงๆทำงาน I การกลายพันธุ์และการปีนเขา, รากฐานของอัลกอริทึมทางพันธุกรรม II หน้า 5-25, 992 ออนไลน์ที่มีจำหน่าย 5 DE Goldberg ขั้นตอนวิธีทางพันธุกรรมในการค้นหาเครื่องเพิ่มประสิทธิภาพการเรียนรู้นิวยอร์ก Addison Wisley, 989 6 V Kapoor, S Dey, AP Khurana, การวิเคราะห์เชิงประจักษ์และการรวมตัวของไขว้และการกลายพันธุ์แบบสุ่มในขั้นตอนวิธีทางพันธุกรรมวารสารนานาชาติสาขาคอมพิวเตอร์ A ประเด็นสำคัญในการคำนวณวิวัฒนาการ 25 30, 200 เผยแพร่โดยมูลนิธิวิทยาศาสตร์คอมพิวเตอร์ออนไลน์ 49.7 7 V Kapoor, S Dey, AP Khurana การศึกษาเชิงประจักษ์ในบทบาทของพารามิเตอร์การควบคุมขั้นตอนวิธีทางพันธุกรรมในปัญหาการเพิ่มประสิทธิภาพของระบบ 3 Number 6 20-26, October Issue 20 Online 8 RJ Bauer Jr ขั้นตอนวิธีทางพันธุกรรมและกลยุทธ์การลงทุน John Wiley Sons, Inc, New York, 994 9 RJ Bauer, GE Liepins, อัลกอริทึมทางพันธุกรรมและกลยุทธ์การซื้อขายทางคอมพิวเตอร์ใน DEO Leary, PR Watkins Eds, ระบบผู้เชี่ยวชาญในด้านการเงิน, สำนักพิมพ์ Elsevier Science, อัมสเตอร์ดัม, เนเธอร์แลนด์, 992 20 F Allen, R Karjalainen การใช้อัลกอริทึมทางพันธุกรรมเพื่อค้นหากฎการซื้อขายทางเทคนิค Journal of Financial Economics 5 999 2 S Mahfoud, G Mani, การพยากรณ์ทางการเงินโดยใช้อัลกอริทึมทางพันธุกรรม การประดิษฐ์ปัญญาประดิษฐ์แบบประยุกต์ 0 6 996 22 De Jong, KA การวิเคราะห์พฤติกรรมของคลาสของระบบปรับตัวเชิงพันธุกรรม Di ssertation บทคัดย่อ International 36 0 540B University Microfilms No 975 23 Ramon Lawrence การใช้เครือข่ายประสาทเทียมเพื่อพยากรณ์ราคาหุ้น 24 Korczak, J Roger, P สต็อคสตาร์ทโดยใช้อัลกอริทึมเชิงพันธุกรรมแบบจำลองเชิงสุ่มประยุกต์ในธุรกิจและอุตสาหกรรม 25 Jin Li, Edward PK Tsang, การปรับปรุงการวิเคราะห์ทางเทคนิคการทำนายการประยุกต์ใช้สมาคม GP American ของ AI 999 26 Laura Nu n ez-letamendia, การควบคุมอุปกรณ์ prameters ของอัลกอริทึมทางพันธุกรรมการประยุกต์ใช้ในการออกแบบระบบการค้าทางเทคนิค European research of research research 27 RJ Kuo, CH Chen, YC Hwang An อัจฉริยะระบบการตัดสินใจซื้อขายหุ้นผ่านเครือข่ายของขั้นตอนวิธีทางพันธุกรรมตามเครือข่ายประสาทเลือนและเครือข่ายประสาทเทียมระบบชุดฟัซซี่ 8 200parison ของขั้นตอนวิธีทางพันธุกรรมสำหรับกลยุทธ์การซื้อขายกระดาษนี้เป็น Kroha P Friedrich M 2014 เปรียบเทียบอัลกอริทึมทางพันธุกรรมสำหรับกลยุทธ์การซื้อขายใน Geffert V Preneel B Rovan B ทูเลอร์ J Tjoa AM eds SOFSEM 2014 ทฤษฎีและการปฏิบัติของ วิทยาการคอมพิวเตอร์ SOFSEM 2014 บันทึกวิทยานิพนธ์ในวิทยาการคอมพิวเตอร์, vol 8327 Springer, Cham. ในงานวิจัยนี้เราจะอธิบายและเปรียบเทียบระบบพันธุกรรมสองระบบที่สร้างกลยุทธ์การซื้อขายระบบแรกขึ้นอยู่กับแนวคิดว่าเมตริกซ์การเชื่อมต่อของเครือข่ายประสาทเทียม genotype ของแต่ละบุคคลและสามารถเปลี่ยนแปลงได้โดยอัลกอริทึมทางพันธุกรรมระบบที่สองใช้โปรแกรมทางพันธุกรรมเพื่อหากลยุทธ์การค้าข้อมูลข้อมูลเข้าในการทดลองของเราเราใช้ตัวบ่งชี้ทางเทคนิคของหุ้น NASDAQ ในฐานะผลลัพธ์วิธีการสร้างกลยุทธ์การซื้อขาย ได้แก่ การซื้อถือและ 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.