Dagen hög frekvens forex trading med adaptiv neuro fuzzy slutlednings system

Intradag högfrekvent FX-handel med adaptiva neuro-fuzzy inference-system Abdalla Kablan och Wing Lon Ng Abstract: I detta dokument introduceras ett adaptivt neurofusigt inferenssystem (ANFIS) för finansiell handel, som lär sig att förutse prisförändringar från träningsdata bestående av intradag kryssa data samplad vid hög frekvens. De empiriska data som användes i vår undersökning är fem minuters mellantidsserier från valutamarknaden. ANFIS-optimeringen innefattar backtest och varierar antalet epoker och kombineras med en ny metod för att fånga volatilitet med hjälp av en händelsesdriven metod som tar hänsyn till riktningsförändringar inom fördefinierade trösklar. Resultaten visar att den föreslagna modellen överträffar standardstrategier som buy-and-hold eller linjär prognos. Nedladdningar: (extern länk) indersciencelink. phpid38529 (texthtml) Tillgång till fullständig text är begränsad till abonnenter. Relaterade verk: Det här föremålet kan vara tillgängligt någon annanstans i EconPapers: Sök efter föremål med samma titel. Exportreferens: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Fler artiklar i International Journal of Financial Markets and Derivatives från Inderscience Enterprises Ltd Serie data upprätthålls av Darren Simpson (). Den här sidan är en del av RePEc och all data som visas här är en del av RePEc-datamängden. Är ditt arbete saknat från RePEc Så här bidrar du till. Frågor eller problem Kontrollera EconPapers FAQ eller skicka mail till. Förutsägandet av finansiella tidsserier är en väldigt komplicerad process. En första titt på finansiella tidsserier ger intrycket att de är slumpmässiga i naturen. Om det är sant skulle det göra prognosen, och därmed handeln, av en sådan serie utomordentligt svår. Den effektiva marknadshypotesen säger att dagens pris innehåller all tillgänglig information på marknaden. Detta leder till att förutsägbarheten för de flesta ekonomiska tidsserierna är en ganska kontroversiell fråga. Experter har prognostiserat och handlat på finansiella marknader i årtionden, med hjälp av sin kunskap och kompetens för att erkänna mönster och tolka nuvarande finansiella data. I detta papper utökas det adaptiva Neuro-Fuzzy Inference-systemet för att skapa ett expertsystem som kan använda fuzzy resonemang i kombination med mönsterigenkänningsförmågan hos neurala nätverk som kan användas vid finansiell prognos och handel. Nyheten av tillvägagångssättet ligger i dess tillämpning på området för högfrekvensfinansiering. Ett sådant tillvägagångssätt har hittills inte använts med högfrekvent handel eller som en del av en automatiserad handelsstrategi. Detta har skapat ett experthandelssystem som övervinner de fysiska begränsningarna hos mänskliga experter och handlare med att fatta flera beslut vid extremt korta tidsintervaller. Detta innebär att systemet kan utföra förutsägelser och handelsbeslut vid en mycket hög frekvens med användning av data inom dagen. ekonomisk förutsägelse, effektiv marknadshypotes, neurofuskigt inferenssystem, högfrekvent handel med Abdalla Kablan, Adaptive Neuro Fuzzy Inference Systems för högfrekvent finansiell handel och prognoser, avancerad teknisk databehandling och tillämpningar inom vetenskap, internationell konferens om. vol. 00, nr. pp. 105-110, 2009, doi: 10.1109ADVCOMP.2009.23Utnyttjande av dynamiskt optimerade högfrekvensflyttande genomsnittliga strategier för intradaghandel Denna tidning motiveras av osäkerhetsaspekten i finansiell beslutsfattande och hur artificiell intelligens och mjuk databehandling med dess osäkerhetsminskande aspekter kan användas för algoritmiska handelsapplikationer som handlar med hög frekvens. I detta papper presenteras ett optimerat högfrekvent handelssystem som kombinerats med olika rörliga medelvärden för att producera ett hybridsystem som överträffar handelssystem som endast är beroende av glidande medelvärden. Papperet optimerar ett adaptivt neuro-fuzzy inference-system som tar både priset och dess rörliga medelvärde som input, lär sig att förutse prisförändringar från träningsdata som består av intradagdata, växlar dynamiskt mellan de bästa resultatliga genomsnitten och utför beslutsfattande när att köpa eller sälja en viss valuta i hög frekvens. 1 A. Kablan (2009). Ett Fuzzy Logic Momentum Analysis System för finansiell mäklare, förfaranden vid den internationella konferensen om finansiell teori och teknik. IEEEXplore, vol 1, sid 57-62. ISBN: 978-0-7695-3949-2 2 A. Kablan (2009). Adaptive Neuro Fuzzy Systems för högfrekvenshandel och prognoser, förfaranden vid den tredje internationella konferensen om avancerad teknisk databehandling och tillämpningar inom vetenskap. IEEEXplore, Vol 1, sid 105 - 110. ISBN: 978-0-7695-3829-7 3 A. Kablan, WL Ng, 2010 (2010), strategi för högfrekvenshandel med Hilbert Transform, 6: e internationella konferensen om nätverksdator och avancerad Informationshantering. Vol 1, sid 466 - 471. ISBN: 978-89-88678-26-8 4 A. Kablan, WL Ng, (2010), High Frequency Trading med hjälp av Fuzzy Momentum Analysis, förfaranden vid IAENG 2010 International Conference of Financial Engineering ICFE), London. Vol 1, sid 352-357. ISBN: 978-988-17012-9-9 5 A. Kablan, WL Ng, (2011), Frekvensordningsplaceringsstrategier med Fuzzy Logic och Fuzzy Inference, IAENG International Journal of Computer Science , speciell fråga. 6 A. Kablan, W. L. Ng, (2011), Intradag High Frequency Forex Trading med Adaptive Neuro-Fuzzy Inference Systems, International Journal of Financial Markets and Derivatives. 7 A. Kablan. Adaptive Neuro Fuzzy Inference Systems för högfrekvent finansiell handel och prognoser. Förlopp av den tredje internationella konferensen om avancerad teknisk databehandling och tillämpningar inom vetenskap. 2009. 8 Banik, S et. al. (2007), Modellering av kaotiskt beteende hos Dhaka Stock Market Index-värden med hjälp av den neuro-fuzzy modellen, 10: e internationella konferensen om dator och informationsteknik 9 C. Tseng, Y. Lin. Financial Computational Intelligence. Samhälle för beräkningsekonomi. Dator i ekonomi och finans nr. 42. 2005. 10 Chang, S. S. L (1977). Tillämpning av fuzzy set teori till ekonomi. Kybernetes 6, sid 203-207 11 Dacarogna, M. et al 2001, En introduktion till högfrekvensfinansiering, akademisk press 12 Dormale, AV (1997): Power of Money, Macmillan Press, London 13 E. Boehmer (2005) Mått på exekveringskvalitet: Nya bevis för amerikanska aktiemarknader. Journal of Financial Economics 78, 553-582, 2005. 14 E. F. Fama. (1970) Effektiva kapitalmarknader: En översyn av teori och empiriskt arbete. Journal of Finance, sidorna 383-417, 15 maj Grabbe, J. O. (1996): International Financial Markets, Englewood Hills, Prentice Hall Inc. 16 J. C. Bezdek, R. Krisnapuram, N. R. Pal. (1999). Fuzzy modeller och algoritmer för mönsterigenkänning och bildbehandling. Springer. 17 JM. Griffin, F. Nardari, R. Stulz. Börshandel och marknadsförhållanden. NBER, Working Paper 10719, 1-48. 2004. 18 Kablan, A, WL Ng, (2011 High Frequency Trading med Fuzzy Momentum Analysis, Springer Engineering Letters, London. 19 Li, Y. Musilek, P och Wyard-Scott, L. Fuzzy logik i agentbaserad speldesign. Årligt möte med fuzzy information processing 2004, vol 2, pp734-739, 2004. 20 Lootsma, FA (1997). Fuzzy logik för planering och beslutsfattande. Springer. 21 M. Fedrizzi, W. Ostasiewicz (1993.). fuzzy modellering i ekonomi. Fuzzy uppsättningar och system, volym 54, Issue 3, s. 259-268, 22 Ormerod, P. (2000) Fjärilekonomi: En ny allmän teori om socialt och ekonomiskt beteende. Pantheon, New York. Sång, BS Chissom. Prognoser inskrivningar med fuzzy time-series. Del II. Fuzzy Sets and Systems 62, s. 1-8, 1994 24 Roger Jang, JS ANFIS: Adaptivt nätverksbaserat fuzzy inference system, IEEE Transactions on Systems, Man och Cybernetics, 23 (3) (1993) 665-685. 25 S. Chabaa och A. Zeroual. Predicting Packet Transmission Data via IP-nätverk med Adaptive Neuro-Fuzzy Inferenssystem. Journal of Computer Science Vol. 5, 2, s. 123-130, 2009. 26 Schulmeister, S, 2009, En Allmänt Finansiell Transaktionsskatt: En Kort Beslut av Proffsen, Nackdelarna och ett Förslag, WIFO Arbetspapper nr 344. 27 T. Hellstrm och K. Holmstrom. Förutsägande aktiemarknaden. Teknisk rapport Ima-TOM-1997-07, Centrum för matematisk modellering, Institutionen för matematik och fysik, Malardalenuniversitetet, Västerås, Sverige, augusti 1998. 28 T. Takagi och M. Sugeno. Fuzzy identifiering av system och dess tillämpning på modellering och kontroll, IEEE Transactions on Systems, Man och Cybernetics, Vol. 15, sid 116-132, 1985. 29 Takagi T. och Sugeno, M. Fuzzy identifiering av system och dess tillämpning på modellering och kontroll, IEEE Transactions on Systems, Man och Cybernetics, 15 (1985) 116-132. 30 Wilson, R. och Sharda, R. Konkursförutsägande med användning av neurala nätverk, Decision Support Systems, 11 (1994) 545-557. 31 Yeh, S. Landsman, W. R. Miller, B. L. Peasnell, K. V. (2011). Känner investerare väldigt smutsigt överskott. Bokföringsgranskningen, 86 (1), 237-258. 32 Yoon, Y. Guimaraes, T. och Swales, G. Integrering av neurala nätverk med regelbaserade expertsystem, Decision Support Systems, 11 (1994) 497-507. 33 Zadeh, L. Fuzzy uppsättningar. Information och kontroll, vol. 8, sid 338-353, 1965. 34 Zadeh, LA Fuzzy-uppsättningar, Informationskontroll, 8 (1965) 338-353.Intraday High Frequency Fx Trading Finance Essay Publicerad: 23 mars 2015 Senast ändrad: 23 mars, 2015 Denna uppsats har lämnats av en student. Detta är inte ett exempel på det arbete som skrivits av våra professionella essayförfattare. Finansiella investerare och handlare har alltid försökt att prognostisera aktiemarknadernas rörlighet. Den finansiella handeln är inbyggd i en komplex struktur, inte bara med prisbildningens dynamik utan även på marknaden för mikrostruktur. Marknadsinformation, nyheter och externa faktorer påverkar investerarnas handelsbeslut avseende köp och försäljning. Vanligtvis är prismönstret svårt att känna igen, märka eller kategorisera, oavsett vilken typ av den faktiska finansiella marknaden som studerats (Murphy, 1986). I det här dokumentet presenteras en modell som försöker bevisa att artificiell intelligens och mjuk databehandling som Adaptive Neuro-Fuzzy Inference System (ANFIS) kan ge en stor lösning i sådana uppgifter. Det fuzzy logiska tillvägagångssättet, inspirerat av en modell av mänsklig resonemang där språkliga termer används och fuzzy (i motsats till skarpa) kvantiteter manipuleras, kombineras i neuro-fuzzy-system med mönstret igenkänningsförmåga hos neurala nätverk (Konstantaras, Varley, Vallianatos, Collins och Holifield, 2006). Den senaste eskaleringen i datakraft har lett till en stor ökning av tillgången till data och information. Datorer, sensorer och informationskanaler utvecklas snabbare och data är enklare att samla än någonsin tidigare. På grund av tillgången till information om realtidsbeställning nuförtiden utgör skillnaden i beslutsfattande och riskupptagning bland olika handlare en komplicerad process som påverkar marknadsförhållandena. Högfrekvenshandel är en ny disciplin i finansiell handel där trender analyseras i tick-by-tick-mode och köp - och säljbeslut fattas följaktligen. Därför skulle implementering av ett system som skulle ge ett sätt att fånga och förutse marknadsrörelserna på realtidsnivå bidra till att förbättra en finansiell handelsrekord för investerare (Dacarogna et al. 2001). I det här dokumentet föreslås en ny databehandlings - och filtreringsteknik som ännu inte har diskuterats eller genomförts fullständigt i den befintliga litteraturen (för en nyligen genomförd undersökning om algoritmiska handelsstrategier och handelssystem, se Aldridge (2009)). Traditionellt är de flesta prediktionsalgoritmer som presenteras i litteraturen inriktad på datavinnning, vilket är integrationen av statistik, maskininläringsparadigma och analys av dynamiska system (Hellstrom och Holmstroumlm, 1998). Dessutom, med tanke på att finansiella tidsserier ofta är mycket bullriga, bör en filtreringsprocess följa för att ta bort sådant ljud från signalen (Sheen, 2005). En ANFIS-arkitektur valdes för detta automatiserade handelssystem, eftersom det visar mycket hög prestanda vid modellering av olinjära funktioner och identifiering av olinjära komponenter (Denai, Palis och Zeghbib, 2007). Den föreslagna ekonomiska ANFIS använder en hybridinlärningsalgoritm och kan konstruera en unik inmatningsutgångskartläggning baserad på både mänsklig kunskap (fuzzy rules) och fastställande av input-output-datapar (Castillo, Fontenla-Romero och Alonso-Betanzos, 2006). Det har också visat utmärkta resultat för att förutsäga kaotiska tidsserier (Jang, 1993). Dessutom, eftersom handelssystemet behandlar intradagdata, måste dataingången till systemet desesasonaliseras på ett visst sätt för att separera den deterministiska komponenten i tidsserien, eftersom den annars skulle introducera falsk autokorrelation. Deseasonalisation utförs med hjälp av en ny händelsebaserad mått på volatilitet. Påminnelsen om papperet är organiserad enligt följande. Avsnitt 2 introducerar metodiken. Avsnitt 3 presenterar empiriska uppgifter och resultat. Avsnitt 4 avslutas. 2. Metodik I det följande beskriver avsnitt 2.1 först utformningen och arkitekturen för Adaptive Neuro-Fuzzy Inference System (ANFIS) som ursprungligen introducerades av Jang (1993). Avsnitt 2.2 expanderar sedan på användningen av ANFIS för finansiell handel. I avsnitt 2.3 introduceras en händelsebaserad mått på volatilitet som ska matas in i ANFIS för att fånga intradagssäsongen och optimera handelsschemat. 2.1 ANFIS-ramverket ANFIS är ett adaptivt nätverk av noder och riktlinjer med tillhörande inlärningsregler. Tillvägagångssättet lär sig reglerna och medlemskapsfunktionerna från data (Takagi och Sugeno, 1985). Den kallas adaptiv eftersom vissa eller alla noder har parametrar som påverkar nodens utgång. Dessa nätverk identifierar och lär sig relationer mellan ingångar och utgångar, och har hög inlärningsförmåga och egenskaper för att definiera medlemskapsfunktioner. Även om adaptiva nätverk täcker ett antal olika tillvägagångssätt, kommer vi att göra en detaljerad utredning av den metod som föreslagits av Jang, Sun och Mizutani (1997) med den arkitektur som visas i Figur 1. De cirkulära noderna har en fast ingångs - utgångsförhållande, medan de kvadratiska noderna har parametrar som ska läras. Typiska fuzzy regler definieras som ett villkorligt uttalande i formuläret: Figur 1: ANFIS-arkitektur för en tvåregel Sugeno-system X och Y är språkliga variabler Ai och Bi är språkliga värden bestämda av fuzzy-uppsättningar på respektive universum av diskurs X respektive Y . I ANFIS använder vi det första orderet Takagi-Sugeno-systemet (Takagi och Sugeno, 1985), vilket är X och Y representerar universum av diskurs Ai och Bi är språkliga termer definierade av deras medlemskapsfunktioner, och pi, qi och ri är Följande parametrar som uppdateras i framåtpassningen i inlärningsalgoritmen. Framåtpasset sprider ingångsvektorn genom nätverksskiktet efter lager. I det bakåtlämnade passret returneras felet via nätverket på ett liknande sätt som återförökning. Vi diskuterar kort fem lager i följande: Utdata från varje nod i Layer 1 är: Därför är det i grunden medlemsklassen för x och y. Även om medlemskapsfunktionerna kan vara mycket flexibla, leder experimentresultaten till att uppgiften att finansiera dataträning är den mest klockformade medlemskapsfunktionen (se även Abonyi, Babuska och Szeifert (2001)). Vi beräknar var parametrarna ska läras. Dessa är premissparametrarna. I lag 2 är varje nod fixad. Det är här t-normen används till och medlemskapsklasserna, till exempel produkten: Layer 3 innehåller fasta noder som beräknar förhållandet mellan reglens styrningsstyrkor: noderna i Layer 4 är adaptiva och utförs följaktligen av Reglerna: Parametrarna () i det här skiktet ska bestämmas och betecknas som följdparametrarna. I Lag 5 beräknar en enda nod det totala resultatet: Så här matas inmatningsvektorn typiskt via nätverkslagret för lager. Vi överväger då hur ANFIS lär ut förutsättningarna och följdparametrarna för medlemsfunktionerna och reglerna. Vi tillämpar hybridinlärningsalgoritmen som föreslagits av Jang, Sun och Mizutani (1997), som använder en kombination av störst nedstigning och minsta kvadratisk uppskattning för att kalibrera parametrarna i det adaptiva nätverket (se även Fontenla-Romeroll (2003)). Vi delar upp den totala parametersatsen S i två ytterligare uppsättningar. uppsättningen premiss (olinjära) parametrar, och. uppsättningen medföljande (linjära) parametrar. I denna studie använder ANFIS en två-pass inlärningsalgoritm. I framåtpassningen, omodifieras och beräknas med en LSE-algoritm, medan den i bakåtpassningen omodifieras och uppdateras med hjälp av en gradient-nedstigningsalgoritm, såsom återförökning (se även illustrationen i figur 2). Uppgiften för ANFIS-inlärningsalgoritmen för denna arkitektur är att ställa in alla de modifierbara parametrarna, nämligen och för att ANFIS-utgången ska matcha träningsdata. När premissparametrarna och medlemskapsfunktionen är fixade kan ANFIS-modellens utgång skrivas som i synnerhet består inlärningsprocessen av en framåtpassning och baksprutning, där i framåtpassningen går funktionssignaler fram till lagret 4, och de följande parametrarna identifieras med minsta kvadratiska uppskattningen. I det bakåtgående passet sprids felhastigheterna bakåt och premissparametrarna uppdateras av gradientnedgången. För angivna fasta värden för. Parametrarna som hittas med detta tillvägagångssätt garanteras vara det globala optimala. Tabell 1 ger en sammanfattning av inlärningsmetoderna. Utmatningsfelet används för att anpassa premissparametrarna med hjälp av en standard backpropagationsalgoritm. Tabell 1: Sammanfattning av inlärningsmetoder Vidarebefordra Passera bakåtpassa premissparametrar Notering 3: Optimera ANFIS med ISOM 3. Empiriska data och resultat Marknaden för utländsk valuta (FX) är en 24-timmarsmarknad där det finns hög likviditet och volatilitet med tre huvudcentra i olika delar av världen: New York, London och Tokyo. Det är högst i volatilitet under den tidiga morgonen New York-tiden eftersom båda bankerna i London och New York är öppna och samtidigt handlar. Stylized fakta som gainloss asymmetri och tunga svans observeras i FX-returfördelningar (Bauwens et al. 2005). Kommersiella banker, företag, finansiering och detaljhandel institutioner från hela världen deltar i valutahandel. Priset på valutamarknaden bildas genom att köpa och sälja valutor till institutioner, handlare, exportörer, importörer, portföljförvaltare och turister. Idag matchas order elektroniskt via automatiserade mäklarterminaler. Yoon, Guimareas och Swales (1994) anger att cirka 85 av all valutahandel sker mellan marknadsmäklare. Detta skapar en möjlighet för spekulation. Spekulation på valutamarknaden är emellertid ett nollsumman, vilket innebär att kumulativ vinst kan jämföras med kumulativa förluster. Under hela detta kapitel har ingången till systemet varit högfrekvent FX-data samplad från 04042006 till 04042008. Systemet har testats på fem valutakurser, som är: EURUSD, AUDUSD, GBPUSD, USDCHF och USDJPY. Figur 6 visar de olika tidsserier som har använts i denna studie. Figur 6: Tidsserier för alla fem FX-valutapar observerade från 04042006 till 04042008, normaliserad till 1USD Denna ursprungliga dataset med femminuters prisdata delas i (icke-överlappande) deldatasatser som omfattar m500 datapunkter för var och en av de Valutakurser. En för liten m (säga 100 poäng) kanske inte räcker för att bygga momentum och uppnå önskat antal observationer (händelser), eftersom tröskelvärdet kanske inte överskrids. På samma sätt kan ett större antal innefatta fler observationer som vi önskar för en körning av systemet vilket skulle orsaka överträning och överfitting. Eftersom alla högfrekventa FX-räntor har en annan mängd datapunkter väljs m så att alla serier har rimligt jämförbara underdatasatser. För varje FX-satsserie används de första 500 kvot-samplingsdatapunkterna i varje delmängd för systemutbildning. De efterföljande 500 datapunkterna anses vara quotout-of-samplequot och används för att validera systemets prestanda och uppdatera nätverksstrukturen med utgångsfelet. De 500 datapunkter som användes för validering vid en simulering kan återanvändas för omskolning av systemet i nästa simulering, vilket ger en rullande fönstermekanism för träning och validering av systemet, med användning av all tillgänglig data. För att utvärdera prestanda för den föreslagna modellen ska vi jämföra ANFIS med standardköp och håll strategi, med Sharpe-förhållandet och Sortino-förhållandet för bedömning. Sharpe-förhållandet används för att mäta riskjusterad avkastning på en investeringsfordran eller en portfölj, vilket kan berätta för investerarna hur väl avkastningen på en tillgång kompenserar investerare för den risk som tagits. Med andra ord kan Sharpe-rationen berätta för investerare om avkastningen på en tillgång eller en portfölj kommer från en smart handelsstrategi eller överdriven risk. Sharpe-kvoten definieras som där Rp anger den förväntade avkastningen, Rf den riskfria räntan och p portföljvolatiliteten. Sharpe-förhållandet mäter riskpremien per varje enhet av totalrisk i en investeringsfordran eller en portfölj. Investerare väljer ofta investeringar med höga Sharpe-kvoter, eftersom ju högre Sharpe-förhållandet desto bättre är dess riskjusterade prestanda. På liknande sätt definieras Sortino-förhållandet som där neg anger standardavvikelsen för endast negativa tillgångsavkastningar. Huvudskillnaden mellan Sharpe-förhållandet och Sortino-förhållandet är att Sortino-förhållandet endast straffar nackdelns volatilitet, medan Sharpe-förhållandet straffar både volatiliteten på upp och ner. Sortino-förhållandet mäter således riskpremien per varje enhet med nedsatt risk i en investeringsfordran eller en portfölj. Vid träning av ANFIS har det noterats efter att ha kört inledande experiment att ju större antal epoker, ju mer stabila systemet kommer att vara på grund av dämpning av oscillation (se figur 4). Dessutom, ju större stegstorleken desto snabbare kommer felen att minska, även om det kommer att bli fler svängningar. Vid utformning av ett system som kommer att handla i högfrekvens, är en stor kategori som måste uppfyllas tillsammans med hög prestanda och optimala resultat hög hastighet eller körtid och körning. Som det framgår av ovanstående tabell och tomter resulterar ett lågt antal epoker i ett system som är extremt snabbt, medan hastigheten minskar när antalet epoker ökar. Å andra sidan ger ett lågt antal epoker mycket dåliga resultat jämfört med ett ökat antal epoker, vilket ger ett system med mycket höga prestanda. Men det observerades också från experimenten att när antalet epoker ökar kan det finnas ett stadium där prestandan inte ökar så mycket som krävs, medan tiden för körning ökar drastiskt. Därför handlar det om kompromiss mellan hastighet och prestanda. Problemet kan lösas genom att välja ett system med 80 epoker, där det har visat sig ge högsta prestanda för den kortaste tiden efter utförande av omfattande experiment (se tabell 2). Dessutom, eftersom systemet handlar om fem minuters mellanrum, kan en tid på 25,15 sekunder inte betraktas som en lång körtid, med tanke på komplexiteten hos ANFIS-designen. Tabell 2: Utvärdering av ANFIS-systemet med hjälp av olika antal epok Num. av epokerna CPU-tid (secs) Winning Rate Profit Factor Efter att ha bestämt antalet epoker som ska övervägas, ANFIS matades data från tiden av dagen när antalet observationer översteg 10 händelser. Efter att ha utbildats på data med högre volatilitet (stressutbildning), kommer ANFIS att utföra förutsägelse av en uppsättning kontrolldata. Som sagt kommer resultaten från ANFIS-prestationen att jämföras med en traditionell köp - och hållstrategi som referensmodell. Tabell 3 rapporterar systemets totala genomsnittliga prestanda jämfört med en traditionell köp - och hållstrategi. Positiva Sharpe - och Sortino-förhållanden visar att systemet inte har tagit hög risk för hur mycket avkastning som uppnåtts. Vinnande räntevinstfaktor Avkastning av investeringar Sharpe-förhållande Tabell 3: Jämförelse av de genomsnittliga prestationsåtgärderna i out-of-sample för både ANFIS och handlingsstrategin för köp och håll Vinnerhastigheten beskriver antalet vinnande affärer mot det övergripande antal branscher. Ovanstående visar att ANFIS-systemet i genomsnitt överträffar den normala köp - och hållstrategin i det totala antalet vinster. Resultatfaktorn beskriver huvudsakligen den historiska lönsamheten hos en rad affärer på en investering. Break-evenen av vinstfaktorn är 1 vilket betyder en investering som genererar affärer med en 50 chans att bruttomängden av vinnande affärer och en 50 chans att bruttovärdet av att förlora handel. Normalt väljer investerare investeringar med vinstfaktorn högre än en. Ovanstående visar att ANFIS-systemet i de flesta fall har en vinstfaktor högre än 1. Avkastningen på investeringar (ROI) används för att utvärdera effektiviteten i en investering eller jämföra avkastning på investeringar. Det vill säga ROI är förhållandet mellan vinst eller förlorat vinst på en investering i förhållande till hur mycket investerat kostnaden är. Tabell 3 visar att ANFIS har erhållit högre ROI än den traditionella köp - och hållstrategin. Slutligen indikerar Sharpe Ratio och Sortino Ratio, som mäter investeringen per riskenhet, också en bättre prestanda för ANFIS-modellen, men mindre konsekvent jämfört med övriga referensvärden. 4. Slutsatser Det utmärkande området för mjuk databehandling och artificiell intelligens togs upp i detta projekt genom att se över och förbättra prestanda hos det adaptiva neuro-fuzzy inference-systemet (ANFIS) genom att manipulera antalet epoker och inlärningsfrekvensen. Man drog slutsatsen att ett visst antal optimala epoker inte skulle överskridas, eftersom detta inte skulle drastiskt förbättra systemet. Intradagssäsongsövervakningsmodellen (ISOM) som föreslås i detta projekt har testats på olika tröskelvärden. Observationen av en riktningsändring inom ett tröskelvärde leder till att tidsstämpeln och dess följdtillägg tas till alla de observationer som har gjorts under den tiden. Effekten av denna metod ligger i det faktum att varje tröskel kan användas för vilken tidsfrekvens som helst. Detta leder till observation av händelser för hela dataserien från ett nytt perspektiv. Ovanstående begrepp av händelsestyrd volatilitet har visat sig vara förenliga med ANFIS om tillräckliga data är närvarande för att utföra ISOM. En jämförelse av den föreslagna modellen mot standard-buy-and-hold-handelsstrategin visar en överträffa Intraday ANFIS. Bekräftelse Författarna är väldigt tacksamma för Steve Phelps, redaktören och tre anonyma domare för deras värdefulla kommentarer och förslag som ledde till en förbättring av detta dokument. Referenser Abonyi, J. Babuska, R. och Szeifert, F. (2001). Fuzzy Modeling med multivariate medlemskapsfunktioner: Gray Box Identification and Control Design. IEEE-transaktioner på system, man och cybernetik - Del B: Cybernetics, 31, 755-767. Aldrige, I. (2009). Högfrekvenshandel - En praktisk guide till algoritmiska handelsstrategier och handelssystem. Wiley, New Jersey. Bawens, L. Omrane, B. och Giot, P. (2005). Nyhetsmeddelanden, marknadsaktivitet och volatilitet på valutamarknaden för euro-dollar. Journal of International Money and Finance, 24, 1108-1125. Castillo, E. Guijarro-Berdinas, B. Fontenla-Romero, O. och Alonso-Betanzos, A. (2006). En mycket snabb inlärningsmetod för neurala nätverk baserat på känslighetsanalys. Journal of Machine Learning Research, 7, 1159-1182. Chelani, A. och Hasan, M. (2001). Prognosering av koncentrationen av kvävedioxid i luften med hjälp av konstgjorda neurala nätverk. International Journal of Environmental Studies, 58, 487-499. Dacarogna, M. Genccedilay, R. Muumlller, U. Pictet, O. och Olsen, R. (2001). En introduktion till högfrekvensfinansiering. Academic Press, San Diego. Denai, M. Palis, F. och Zeghbib, A. (2007). Modellering och kontroll av icke-linjära system med mjuk databehandlingsteknik. Applied Soft Computer, 7, 728-738. Fontenla-Romeroll, O. (2003). Linjära minst kvadratbaserade metoder för lärande av neurala nätverk. Föreläsningsanteckningar i datavetenskap, 27, 84-91. Glattfelder, J. B. Dupuisy, A. och Olsen, R. (2009). En omfattande uppsättning av skaleringslagar och FX-kusten, Working Paper, arXiv: 0809.1040. Hellstrom, T. och Holmstroumlm, K. (1998). Förutsägande aktiemarknaden, teknisk rapport Ima-TOM-1997-07. Sverige: Centrum för matematisk modellering, Institutionen för matematik och fysik, Maumllardalen Universitet. Jang, J. R. (1993). ANFIS: Adaptivt nätverksbaserat fuzzy inference-system. IEEE-transaktioner på system, man och cybernetik, 23 (3), 665-685. Jang, J. R. Sun, C. T. och Mizutani, E. (1997). Neuro-Fuzzy och Soft Computing. Prentice Hall, Upper Saddle River, NJ. Konstantaras, A. Varley, M. R. Vallianatos, F. Collins, G. och Holifield, P. (2006). Neuro-Fuzzy Prediction-Based Adaptive Filtering tillämpas på allvarligt förvrängd magnetfältinspelningar. IEEE Geoscience och Remote Sensing Letters, 3 (4), 439-441. Mitra, P. Maulik, S. Chowdhury, S. P. och Chowdhury, S. (2008). ANFIS-baserad automatisk spänningsregulator med hybridlärningsalgoritm, International Journal of Innovations i energisystem och kraft, 3, 5-10. Murphy, J. (1986). Teknisk analys av terminsmarknader. New York Institute of Finance, New York Sheen, J. N. (2005). Fuzzy Financial Decision Making: Load Management Programs Fallstudie. IEEE Transaktioner på Power Systems, 20 (4), 1808-1817. Takagi, T. och Sugeno, M. (1985). Fuzzy identifiering av system och dess tillämpning på modellering och kontroll. IEEE-transaktioner på system, man och cybernetik, 12, 116-132. Yezioroa, A. Dongb, B. och Leite, F. (2008). En tillämpad artificiell intelligens tillvägagångssätt för att utvärdera simuleringsverktyg för byggprestanda. Energi och byggnader, 612-620. Yoon, Y. Guimaraes, T. och Swales, G. (1994). Integrering av neurala nätverk med regelbaserade expertsystem. Decision Support Systems, 11, 497-507. Essay Writing Service Helt refererad, levererad i tid, Essay Writing Service. Uppdragsskrivningstjänst Allt vi gör är inriktat på att skriva bästa möjliga uppgift för dina exakta krav. Markeringstjänst Vårt märkningstjänst hjälper dig att välja ut de områden i ditt arbete som behöver förbättras. GRATIS referensgeneratorer verktyg för att hjälpa dig med att skapa akademiska referenser i ett antal stilar. GRATIS Hjälpguider Allt du behöver veta under dina studier Placera en beställning nu Våra experter väntar på att hjälpa dig med din uppsats Våra experter kan hjälpa dig med din uppsatsfråga Begär borttagning Om du är den ursprungliga författaren av denna uppsats och inte längre vill have the essay published on the UK Essays website then please click on the link below to request removal: More from UK Essays Invest in your future today Copyright copy 2003 - 2017 - UK Essays is a trading name of All Answers Ltd, a company registered in England and Wales. Company Registration No: 4964706. VAT Registration No: 842417633. Registered Data Controller No: Z1821391. Registered office: Venture House, Cross Street, Arnold, Nottingham, Nottinghamshire, NG5 7PJ.