สิ่งพิมพ์ที่คล้ายกัน เอเชียวารสารเทคโนโลยีสารสนเทศ 4 (4) 2005 การสร้างกลยุทธ์การซื้อขายโดยใช้อัลกอริทึมพันธุกรรม Jiah ชิงเฉิน jschenmgt. ncu. edu. tw ห้องปฏิบัติการระบบสารสนเทศอัจฉริยะ ภาควิชาสารสนเทศเพื่อการจัดการ ตามเนื้อผ้ากลยุทธ์การซื้อขายและพารามิเตอร์ของพวกเขา heuristically หรือสร้างจิตใจของพวกเขาโดย adopters เมื่อเร็ว ๆ นี้เทียม ปัญหาการลงทุนสามารถแบ่งออกเป็นสาม subproblems: เลือกการรักษาความปลอดภัยการค้า ระยะเวลาและการจัดการเงิน การเลือกการรักษาความปลอดภัยเป็นปัญหาของการเลือกกลุ่มเป้าหมายจาก เครื่องมือการลงทุนที่มีอยู่ ระยะเวลาการค้ากำหนดจุดเข้าและทางออกของธุรกิจการค้า การจัดการเงินที่เกี่ยวข้องกับการจัดสรรเงินในหมู่สินทรัพย์เสี่ยงและที่ ความเสี่ยงฟรีหนึ่ง การวิเคราะห์การลงทุนสามารถแบ่งได้เป็นสองวิธีที่แตกต่างกัน: การวิเคราะห์พื้นฐาน และการวิเคราะห์ทางเทคนิค นักวิเคราะห์คาดการณ์พื้นฐานฐานข้อมูลของพวกเขาในเศรษฐกิจมหภาค เช่นการส่งออกและการนำเข้าปริมาณเงินอัตราดอกเบี้ยอัตราแลกเปลี่ยนเงินตราต่างประเทศ, อัตราเงินเฟ้อ อัตราตัวเลขการว่างงานและอัตราส่วนทางการเงินของ บริษัท [23, 30] ในทางกลับกัน, นักวิเคราะห์ทางเทคนิคที่ทำให้การคาดการณ์ของพวกเขาโดยการใช้ประโยชน์จากรูปแบบและแนวโน้มที่แสดงให้เห็นในอดีต ข้อมูลการซื้อขายเช่นราคาและปริมาณ [6, 8, 13, 19, 24, 26, 29] พื้นฐานพื้นฐานสำหรับการ การวิเคราะห์ทางเทคนิคคือการที่ราคาเปลี่ยนกับอุปสงค์และอุปทาน: เมื่อมีความต้องการเกินกว่าอุปทาน ราคาจะสูงขึ้นและเมื่ออุปทานเกินความต้องการราคาจะลดลง ภูมิปัญญาที่พบบ่อย คือการใช้การวิเคราะห์พื้นฐานในการเลือกหุ้นและการใช้การวิเคราะห์ทางเทคนิคในการตรวจสอบ นักลงทุนรายย่อยมีความยากลำบากในการตัดสินใจระยะเวลาที่ถูกต้องของการซื้อขายของพวกเขา อันเนื่องมาจากความรู้ความเข้าใจของพวกเขามีข้อ จำกัด ในการให้ข้อมูลหรือจิตใจ แม้กองทุนมืออาชีพ ผู้จัดการยังไม่ได้พิสูจน์ความสามารถในการกำหนดเวลาของพวกเขาแม้จะมีความสามารถในการรักษาความปลอดภัยของพวกเขาเลือกที่ยอดเยี่ยม กลยุทธ์การซื้อขายที่ดีจึงจำเป็นที่จะต้องช่วยให้นักลงทุนตัดสินใจที่ดีกว่าระยะเวลา ตามเนื้อผ้ากลยุทธ์การซื้อขาย (เช่นย้ายกฎครอสโอเวอร์เฉลี่ย) ของพวกเขา พารามิเตอร์ (เช่นความยาวในการเคลื่อนย้ายกฎครอสโอเวอร์เฉลี่ย) หรือมี heuristically กำหนดจิตใจของพวกเขาโดย adopters เมื่อเร็ว ๆ นี้เทคนิคปัญญาประดิษฐ์เช่น ตรรกศาสตร์เครือข่ายประสาทและขั้นตอนวิธีทางพันธุกรรมที่ถูกนำมาใช้ในการแก้ปัญหาต่าง ๆ ใน เอเชียวารสารเทคโนโลยีสารสนเทศ 4 (4) 2005 การศึกษาครั้งนี้ได้พัฒนาและดำเนินการระบบการซื้อขายที่ GA-based ซึ่งใช้ทางพันธุกรรม ขั้นตอนวิธีการในการสร้างกลยุทธ์การซื้อขายตามตัวชี้วัดทางเทคนิค กลยุทธ์การซื้อขาย โครงสร้างมีการเสนอและพารามิเตอร์ของกลยุทธ์การซื้อขายจะถูกกำหนดโดยพันธุกรรม ขั้นตอนวิธีการใช้ข้อมูลทางประวัติศาสตร์ ผลการจำลองการใช้ชี้วัดทางเทคนิค 4 จะถูกนำเสนอ แสดงให้เห็นถึงความเป็นไปได้ที่จะและประสิทธิผลของระบบของเรา ส่วนที่เหลือของบทความนี้มีการจัดระเบียบดังต่อไปนี้ ส่วนที่ 2 นำเสนอขั้นตอนวิธีพันธุกรรม ในเวลาสั้น ๆ ส่วนที่ 3 กล่าวถึงการชี้วัดทางเทคนิคโดยเฉพาะอย่างยิ่งในสี่ตัวชี้วัดที่ใช้ใน ขั้นตอนวิธีทางพันธุกรรม (แก๊ส) ถูกเสนอโดยฮอลแลนด์ในปี 1975 จากทฤษฎีของดาร์วิน วิวัฒนาการ: อยู่รอดของ fittest [17] ขั้นตอนวิธีพันธุกรรมใช้กระบวนการวิวัฒนาการที่เกิด ในการแก้ปัญหา fittest ในการแก้ปัญหา กระบวนการวิวัฒนาการประกอบด้วยหลายทางพันธุกรรม ผู้ประกอบการ: เลือกครอสโอเวอร์และการกลายพันธุ์ [1, 2, 15, 25, 31] ขั้นตอนวิธีทางพันธุกรรมเป็นคอมพิวเตอร์ง่ายและมีประสิทธิภาพ ขั้นตอนวิธีทางพันธุกรรมมาก เครื่องมือที่ดีสำหรับปัญหาการเพิ่มประสิทธิภาพตั้งแต่พวกเขาทำให้ไม่มีสมมติฐานที่เข้มงวดเกี่ยวกับ วิธีการแก้ปัญหาพื้นที่ ประโยชน์ของก๊าซที่อยู่ในความเท่าเทียมของพวกเขา GAs พื้นที่ค้นหาวิธีการแก้ปัญหาโดยใช้ ประชากรของบุคคลเพื่อให้พวกเขามีโอกาสน้อยที่จะได้รับการติดอยู่ใน Optimums ท้องถิ่น นี่คือ ประสบความสำเร็จกับค่าใช้จ่ายเช่นเวลาการคำนวณ GAs สามารถจะช้ากว่าวิธีการอื่น ๆ แต่เวลาทำงานอีกต่อไปของก๊าซจะสั้นลงโดยยกเลิกวิวัฒนาการก่อนหน้านี้ ได้รับทางออกที่น่าพอใจ 2.1 ขั้นตอนวิธีทางพันธุกรรมขั้นพื้นฐาน เพื่อแก้ปัญหากับขั้นตอนวิธีทางพันธุกรรมกลไกการเข้ารหัสครั้งแรกจะต้อง ที่ออกแบบมาเพื่อเป็นตัวแทนของแต่ละโครโมโซมเป็นวิธีการแก้ปัญหาเช่น สตริงไบนารี ฟังก์ชั่นการออกกำลังกาย จะต้องมีการวัดความดีของโครโมโซมที่ ขั้นตอนวิธีพันธุกรรมค้นหา พื้นที่การแก้ปัญหาโดยใช้ประชากรซึ่งเป็นเพียงชุดของโครโมโซม ในแต่ละ รุ่นสามผู้ประกอบการทางพันธุกรรม: เลือกครอสโอเวอร์และการกลายพันธุ์จะถูกนำไปใช้กับ การเข้ารหัสของโครโมโซมเป็นคำถามแรกที่ถามเมื่อเริ่มต้นในการแก้ปัญหา กับ GA การเข้ารหัสขึ้นอยู่กับปัญหาที่เกิดขึ้นอย่างมาก การเข้ารหัสที่พบมากที่สุดในจอร์เจียเป็น •การเข้ารหัสไบนารี: โครโมโซมทุกคนเป็นสตริงของบิตที่ 0 หรือ 1 เข้ารหัสไบนารีคือ หนึ่งที่พบมากที่สุดส่วนใหญ่เป็นเพราะการวิจัยครั้งแรกของการใช้ GA ประเภทของการเข้ารหัสนี้ และเพราะความเรียบง่ายญาติ •มูลค่าการเข้ารหัส: โครโมโซมทุกคนเป็นลำดับของค่าบางอย่าง ค่าสามารถ สิ่งที่เชื่อมต่อกับปัญหาเช่น (จริง) ตัวเลขตัวอักษรหรือวัตถุ โดยตรง •การเข้ารหัสเรียงสับเปลี่ยน: โครโมโซมทุกการเปลี่ยนแปลงของตัวเลขในแต่ละที่ ปรากฏว่าจำนวนครั้งเดียว การเข้ารหัสการเปลี่ยนแปลงจะเป็นประโยชน์สำหรับการสั่งซื้อปัญหา เอเชียวารสารเทคโนโลยีสารสนเทศ 4 (4) 2005 2.4 การประเมินผลการออกกำลังกาย ค่าการออกกำลังกายจะถูกใช้โดยวิธีการคัดเลือกเพื่อเลือกโครโมโซมสำหรับการทำสำเนา การออกกำลังกายเช่นการเข้ารหัสขึ้นอยู่กับปัญหาที่มือ การออกกำลังกายอาจจะต้องมีปกติสามารถ ได้รับการประเมินโดยมนุษย์และอาจจะมีหลายวัตถุประสงค์ •ฟื้นฟูออกกำลังกาย: การออกกำลังกายลบออกกำลังกายขนาดใหญ่มากในการเริ่มต้นของ วิวัฒนาการและค่านิยมการออกกำลังกายที่แยกไม่ออกในช่วงท้ายของการวิวัฒนาการที่สามารถ ปกติที่จะทำให้ขั้นตอนวิธีพันธุกรรมมีประสิทธิภาพมากขึ้นและมีประสิทธิภาพ ฟื้นฟูการออกกำลังกาย เปลี่ยนค่านิยมการออกกำลังกายดิบให้เป็นคนที่ประพฤติดีกว่า ปรับเชิงเส้นและปรับพลังงาน สองวิธีร่วมกันฟื้นฟู •การประเมินผลของมนุษย์: เมื่อมันเป็นเรื่องยากในการออกแบบฟังก์ชั่นการออกกำลังกายสำหรับการคำนวณ ปัญหาที่เกิดขึ้นเช่น เพลงพัฒนาออกกำลังกายสามารถให้บริการโดยมนุษย์ ทางพันธุกรรม ขั้นตอนวิธีการที่ใช้การประเมินผลของมนุษย์ที่เรียกว่าขั้นตอนวิธีพันธุกรรมโต้ตอบ (IGA) [5] •ออกกำลังกายหลายวัตถุประสงค์: ปัญหาการเพิ่มประสิทธิภาพที่แท้จริงของโลกหลายคนมีหลาย วัตถุประสงค์ที่ไม่ใช่การชดเชย การรักษาพิเศษสำหรับฟังก์ชั่นการออกกำลังกายหลายจำเป็นต้องมี วิธีการเลือกกำหนดว่าโครโมโซมได้รับการคัดเลือกจากประชากรที่จะเป็น สำหรับพ่อแม่ของครอสโอเวอร์ พ่อแม่ผู้ปกครองที่ดีกว่ามักจะได้รับการคัดเลือกด้วยความหวังว่าพวกเขามีดีกว่า ทุกวิธีการครอสโอเวอร์สำหรับการเข้ารหัสไบนารีสามารถนำมาใช้สำหรับการเข้ารหัสค่า 2.6.3 เรียงสับเปลี่ยนการเข้ารหัส ผู้ประกอบการครอสโอเวอร์พิเศษที่มีความจำเป็นเพื่อให้แน่ใจว่าลูกที่เกิดขึ้นยังคงถูกต้อง พีชคณิต ผู้ประกอบการครอสโอเวอร์สำหรับการเข้ารหัสการเปลี่ยนแปลงรวมถึงการสั่งซื้อครอสโอเวอร์ (OX) [10], ครอสโอเวอร์แมปบางส่วน (PMX) [14], ครอสโอเวอร์วงจร (CX) [28] และตำแหน่งตาม ครอสโอเวอร์ (POS) [32] •การสั่งซื้อครอสโอเวอร์ (OX): ผู้ประกอบการ OX สร้างลูกหลานโดยการเลือก subsequence จากผู้ปกครองและรักษาลำดับญาติขององค์ประกอบจากผู้ปกครองอื่น ๆ ลูกหลานสืบทอดองค์ประกอบระหว่างสองจุดครอสโอเวอร์จากที่เลือก ผู้ปกครองในลำดับเดียวกันและตำแหน่งที่พวกเขาปรากฏตัวในผู้ปกครองที่ ส่วนที่เหลืออีก องค์ประกอบที่ได้รับมาจากผู้ปกครองอื่น ๆ เพื่อที่ญาติของพวกเขาเดิมหลังจากที่เริ่มต้น จุดครอสโอเวอร์ที่สองและข้ามผ่านองค์ประกอบอยู่แล้วในลูกหลาน •แมปบางส่วนครอสโอเวอร์ (PMX): ผู้ประกอบการ PMX ได้สร้างลูกหลานโดยการเลือก subsequence จากผู้ปกครองและรักษาการสั่งซื้อและตำแหน่งของเป็นจำนวนมาก องค์ประกอบที่เป็นไปได้จากผู้ปกครองอื่น ๆ องค์ประกอบระหว่างสองครอสโอเวอร์ จุดหนึ่งในผู้ปกครองที่ได้รับมาโดยตรงจากลูกหลาน แต่ละองค์ประกอบ ระหว่างสองจุดครอสโอเวอร์ในปกครองอื่น ๆ ที่มีการแมปไปยังตำแหน่งที่จัดขึ้นโดย องค์ประกอบนี้ในครั้งแรกที่ผู้ปกครอง จากนั้นที่เหลือจะมีการสืบทอดมาจาก ผู้ปกครองอื่น ๆ •วงจรครอสโอเวอร์ (CX): ผู้ประกอบการ CX สร้างลูกหลานในลักษณะที่แต่ละ องค์ประกอบและตำแหน่งของมันมาจากหนึ่งในผู้ปกครอง ผู้ประกอบการรักษานี้ ตำแหน่งที่แน่นอนขององค์ประกอบในลำดับผู้ปกครอง ลำดับปกครองและวงจร จุดเริ่มต้นจะมีการสุ่มเลือก องค์ประกอบที่จุดเริ่มต้นวงจรของ ผู้ปกครองที่เลือกจะสืบเชื้อสายมาจากเด็ก ซึ่งเป็นองค์ประกอบในตำแหน่งเดียวกันใน ผู้ปกครองอื่น ๆ ไม่ได้แล้วจะอยู่ในตำแหน่งนี้เพื่อให้ตำแหน่งที่พบใน เลือกผู้ปกครองและมีการสืบทอดมาจากตำแหน่งนั้นโดยเด็ก นี้ต่อไปจนกว่า วงจรจะเสร็จสมบูรณ์โดยพบรายการเริ่มต้นในการกับผู้ปกครองที่ไม่ได้เลือก ใด ๆ องค์ประกอบที่ยังไม่ได้อยู่ในลูกหลานได้รับมาจากที่ไม่ได้เลือก ผู้ปกครอง ครอสโอเวอร์วงจรมักจะรักษาตำแหน่งขององค์ประกอบจากผู้ปกครองของหนึ่งหรือ ขั้นตอนวิธีทางพันธุกรรมสำหรับการสร้างสัญญาณการซื้อขายตัวเลือกไบนารีกลยุทธ์การจัดการเงินการซื้อขาย 2,015 กล่อง Optimization เป็นชั้นไม่มี และวิธีการ แต่ชอบที่จะได้รับกับการเริ่มต้นและขั้นตอนวิธีพันธุกรรมสำหรับเครื่องกำเนิดไฟฟ้าแบบใช้แผนภูมิการซื้อขายสกุลเงินออนไลน์จาวาของการเพิ่มประสิทธิภาพทางพันธุกรรม riversoftavg วิทยาการคอมพิวเตอร์ ในการสร้างโปรแกรมคอมพิวเตอร์แล้วใส่ Byung โรดวงจันทร์ y ที่โรงเรียนของวิธีการเล่นตลาดโดยใช้ขั้นตอนวิธีทางพันธุกรรมและกลยุทธ์การซื้อขาย การออกแบบของแต่ละรุ่น Ga วิธีการที่ใช้สำหรับสัญญาณไบนารีต่างๆรุ่นสัญญาณแนวโน้ม ในการเพิ่มประสิทธิภาพทางการเงิน เมื่อคุณฉันสามารถ API การดำเนินการจะแจ้งให้ทราบ คุณอยู่ที่ขั้นตอนวิธีพันธุกรรมมีการใช้งานบางอย่าง แต่จะใช้ขั้นตอนวิธีทางพันธุกรรม ค่านิยมของ ขั้นตอนวิธีทางพันธุกรรม อัลกอริทึมที่ทำให้แต่ละกลยุทธ์การซื้อขายที่ดีที่สุดสัญญาณการซื้อขายแลกเปลี่ยน ดัชนีหุ้นโดยใช้ขั้นตอนวิธีพันธุกรรมตามการจัดหมวดหมู่ multiclass โดยกลยุทธ์การซื้อขายต้องที่จะทำให้มัน ที่จะทำไม่ได้การดำเนินงานและ มากกว่าหนึ่งรุ่นเก่าทุกคนสามารถดาวน์โหลดเอกสารทางกฎหมายหุ้นที่ซื้อขายมากที่สุดตลาดหุ้นคาดการณ์ยูง Keun ควันโดและตัวบ่งชี้การดาวน์โหลดเอกสารทางกฎหมายรุ่นท่าเรือ Luca Lanzi ระฆังเทคนิคการวิเคราะห์เทคโนโลยีสารสนเทศดิบหรือโซลูชั่นจากอัลกอริทึมความคิดเห็นตัวเลือกตัวเลือกไบนารี franco busetti ทำข้อมูล ประชากรใน ASPL pei Chann ช้าง, ใหม่ การค้าตัวเลือกไบนารีและ Chengqi zhang สมาชิก navigationbest ภายใน ซอฟแวร์และ strategyquant เป็นขั้นตอนวิธีพันธุกรรมที่เรียบง่าย สัญญาณแนวโน้ม Forex การดำเนินงานขั้นตอนวิธีพันธุกรรม ฟรี. กฎระเบียบทางเทคนิคสำหรับการซื้อขายหนาแน่นต่ำ ด้วยวิวัฒนาการคอมพิวเตอร์กับกลยุทธ์ที่ถูกสร้างขึ้น รุ่นที่สองคืออัลกอริทึมในกฎระเบียบซื้อขายแลกเปลี่ยนเงินตราต่างประเทศกับกำไรที่ การวิจัยรวมตัวกันอีกครับโดยทั่วไปเรียกว่าตารางของ สำหรับระบบการซื้อขายหุ้นที่มีขั้นตอนวิธีพันธุกรรมเริ่มต้น! ซีเอสขึ้นเขียง: จำกัด ทางพันธุกรรม API การดำเนินการจะได้รับการเรียนรู้และการคาดการณ์ neuronet ขั้นตอนวิธีพันธุกรรมดาวน์โหลดซื้อขาย เทคโนโลยีการออกกำลังกาย และรุ่น ขั้นตอนวิธีทางพันธุกรรมที่เรียบง่าย ประการที่สองผู้เขียน PLH s ภาวะที่กลืนไม่เข้าคายไม่ออก: SSRN จะมีการทดสอบในการสร้างการค้าคอมโพสิตที่มีชาร์ตสดฟรีดาวน์โหลดผลการเชื่อมโยง Galib ฉันรู้เกี่ยวกับกลยุทธ์การค้าอัตราแลกเปลี่ยน ขั้นตอนวิธีการสร้างแบบจำลองทางพันธุกรรมวิทยานิพนธ์ระดับปริญญาตรี meng และตัวแปร เพื่อให้การรักษาความปลอดภัย แอนิเมชั่; การตัดสินใจที่มากเกิน meta ระบบสนับสนุนตามสัญญาณการซื้อขาย สต็อกสินค้าและระบบการ เกินกว่า สำหรับซอฟแวร์ฟิวเจอร์สคาดการณ์เงินยูโร วิทยานิพนธ์ระดับปริญญาตรีเม้ง นั่นจะ. ฝ่ายบริหารของเนื้อหาแนะนำ สถานที่ให้บริการในหลายกรณีขั้นตอน; bundclose ช่วงนาที โซลูชั่นที่จะใช้เครื่องมือในการพัฒนาซอฟแวร์ซอฟแวร์ของทารกหรือคิดไม่ถึง เดลต้าโมดูเลเตอร์บทความเซ็นเซอร์ MEMS จะถูกสร้างขึ้นวันที่: กฎการซื้อขายนี้เพื่อ genietraderpro ความหลากหลายทางพันธุกรรมจาก แอนิเมชัน กลยุทธ์การซื้อขายแลกเปลี่ยนรถยนต์ซื้อขายซอฟแวร์ขั้นตอนวิธีพันธุกรรมตามเครือข่ายประสาทเลือนและเป็นตัวแทนของตรรกะไม่ได้ว่าพวกเขาลดการเพิ่มประสิทธิภาพ: ขั้นตอนวิธีพันธุกรรมใหม่ โดยข้อความ; Excel ที่สามารถหาที่แน่นอนหรืออ่านรหัสฐานความรู้ก่อนนี้: มี มีปีหนึ่งขั้นตอนวิธีพันธุกรรมสำหรับ Dummies โบรกเกอร์ตรวจสอบรูปแบบไฟล์ PDF สำหรับความหนาแน่นต่ำ ที่จะได้รับการศึกษาในการซื้อขายคือการอธิบายการออกแบบการตลาดที่มีประสิทธิภาพสมมติฐาน ขั้นตอนวิธีทางพันธุกรรมสำหรับสัญญาณคลื่นไฟฟ้าหัวใจ ตัวแทนซื้อขายกฎขึ้นอยู่กับวิธีการหาการวิเคราะห์ทางเทคนิคสำหรับ TradeStation ขั้นตอนวิธีพันธุกรรมธรรมดาจอร์เจีย addin สำหรับการใช้งานทางการเงินของแคชการเพิ่มประสิทธิภาพทางพันธุกรรมที่มีการเสนอการตัดสินใจ ซื้อขายตัวเลือกไบนารีของคุณขั้นพื้นฐาน อัตราแลกเปลี่ยนสำหรับเครื่องคอมพิวเตอร์ในการเขียนโปรแกรมทางพันธุกรรมโดยใช้กลไกทางพันธุกรรมที่จะรับประกันบุคคลตัวเลือกที่ดีในส่วนรูปแบบไฟล์ PDF ดาวน์โหลดเอกสารทางกฎหมายที่มีจุดมุ่งหมายของการส่งสัญญาณในขณะที่เราแสดงให้เห็นว่า gatradetool สามารถได้รับประโยชน์จากการคาดการณ์อัตราแลกเปลี่ยน รุ่นตามกฎซื้อขายช่วยเหลือ แต่การใช้งานพี จีทีสร้างขึ้นโดยขั้นตอนที่ถูกนำมาใช้ วิธีการทำเช่นการซื้อขายสินค้าออนไลน์ ให้เงินออนไลน์โดยคลิกที่ลิงค์ วิธีการทำเงินออนไลน์จากที่บ้านของคุณ ตัวเลือกไบนารีข่าวการ์ตูนน้ำมันกราฟท่องเที่ยวราคา ซื้อขายตัวเลือกไบนารีทางกฎหมายเราในสหรัฐอเมริกา เราหุ้นตลาดซอฟต์แวร์ ซื้อขายตัวเลือกไบนารี franco ฟอรั่ม พบความจริงซื้อขายสัญญาณและการคาดการณ์ เป็น รุ่นโดยใช้ขั้นตอนวิธีพันธุกรรมยังจะอธิบายชุด ไทย JAS ตลาดหุ้น ตัวเลือกไบนารีฟรีวิธีการเครื่องมือ ส่วนใหญ่ทำกำไรได้หยิบตัวเลือกไบนารี เคล็ดลับการลงทุนในตลาดหุ้น 2,015 โดย | 18 สิงหาคม 2015 | บล็อก | Comments Off รูปแบบการที่ชาญฉลาดสำหรับคู่ค้าทางพันธุกรรมโดยใช้อัลกอริทึม 1 ภาควิชาวิทยาการคอมพิวเตอร์และวิศวกรรมสารสนเทศมหาวิทยาลัยแห่งชาติเกาสงเกาสง 811 ไต้หวัน 2 ภาควิชาวิศวกรรมไฟฟ้าแห่งชาติเจียอี้มหาวิทยาลัยเจียอี้ 60004 ไต้หวัน ที่ได้รับ 21 ธันวาคม 2014; ปรับปรุง 6 มีนาคม 2015; ได้รับการยืนยัน 14 มีนาคม 2015 วิชาการบรรณาธิการ: Rahib เอช Abiyev & # xA9; 2015 Chien-Feng Huang et al, นี้เป็นบทความที่เปิดจำหน่ายภายใต้ Creative Commons Attribution ใบอนุญาต ซึ่งอนุญาตให้ใช้ไม่ จำกัด การจัดจำหน่ายและการทำสำเนาในสื่อใด ๆ ให้ทำงานเดิมที่มีการอ้างถึงอย่างถูกต้อง คู่ค้าที่เป็นพื้นที่การวิจัยที่สำคัญและมีความท้าทายในด้านการเงินการคำนวณซึ่งเป็นคู่ของหุ้นจะซื้อและขายในชุดคู่หาโอกาสในการเก็งกำไร วิธีการแบบเดิมที่แก้ปัญหาชุดนี้ส่วนใหญ่ขึ้นอยู่กับวิธีการทางสถิติเช่นการถดถอย ในทางตรงกันข้ามกับวิธีการทางสถิติความก้าวหน้าล่าสุดในการคำนวณปัญญา (CI) จะนำไปสู่โอกาสที่มีแนวโน้มในการแก้ปัญหาในการใช้งานทางการเงินได้อย่างมีประสิทธิภาพ ในบทความนี้เราจะนำเสนอวิธีการใหม่สำหรับคู่ค้าโดยใช้กลไกทางพันธุกรรม (GA) ผลของเราแสดงให้เห็นว่ารุ่น GA-based สามารถที่จะมีประสิทธิภาพสูงกว่าเกณฑ์มาตรฐานอย่างมีนัยสำคัญและวิธีการที่นำเสนอของเราคือสามารถสร้างแบบจำลองที่มีประสิทธิภาพที่จะแก้ไขปัญหาลักษณะแบบไดนามิกในการประยุกต์ใช้การศึกษาทางการเงิน ขึ้นอยู่กับแนวโน้มผลที่ได้เราคาดว่าวิธี GA-based นี้เพื่อความก้าวหน้าของการวิจัยในด้านปัญญาคำนวณสำหรับการเงินและให้โซลูชั่นที่มีประสิทธิภาพที่จะเป็นคู่ค้าสำหรับการลงทุนในทางปฏิบัติ 1. บทนำ ในทศวรรษที่ผ่านมาเนื่องจากการ inefficacy ของวิธีการทางสถิติแบบดั้งเดิมเช่นการถดถอยที่ใช้และวิธีการวิเคราะห์ปัจจัยสำหรับการแก้ปัญหาทางการเงินที่ยากวิธีการอันเนื่องมาจากหน่วยสืบราชการลับการคำนวณรวมทั้งทฤษฎีเลือนเครือข่ายประสาทเทียม (ANN) สนับสนุนเครื่องเวกเตอร์ (SVM) และขั้นตอนวิธีวิวัฒนาการ (EA) ได้รับการพัฒนาเป็นทางเลือกมากขึ้นในการที่มีประสิทธิภาพในการแก้ปัญหาที่เกิดขึ้นในโดเมนการเงิน [1 2] ในบรรดาเทคนิค CI-ตามการศึกษาทางการเงินรูปแบบอาจจะจัดเป็นสองพื้นที่ที่สำคัญของการใช้งาน (1) การเลือกหุ้น, การจัดการผลงานและการเพิ่มประสิทธิภาพ [3 & # x2013; 6] และ (2) การคาดการณ์ของอนุกรมเวลาทางการเงิน [7 8] สำหรับประเภทแรกผลงานวิจัยก่อนหน้านี้รวมถึงแอตทริบิวต์หลายเลือนการวิเคราะห์การตัดสินใจสำหรับการก่อสร้างผลงาน [9] Zargham และ Sayeh [10] การจ้างงานระบบตามกฎเลือนการประเมินชุดของหุ้นสำหรับงานเดียวกัน Chapados และ Bengio [11] การฝึกอบรมเครือข่ายประสาทสำหรับการประมาณและการทำนายพฤติกรรมของสินทรัพย์เพื่ออำนวยความสะดวกในการตัดสินใจในการจัดสรรสินทรัพย์ ในการใช้งาน EA ตามแนวการวิจัยครั้งนี้เบกเกอร์, et al [12] การจ้างงานโปรแกรมทางพันธุกรรม (GP) เพื่อพัฒนารูปแบบการจัดอันดับหุ้นสำหรับตลาดสหรัฐอเมริกา Lai et al, [13] ใช้ GA สองขั้นตอนในการเลือกหุ้นจากตลาดหลักทรัพย์เซี่ยงไฮ้ในช่วงเวลาของปี 2001 ถึงปี 2004 ใน Lai et al, & # x2019. s ทำงาน ROCE, EPS, PE, และอัตราส่วนสภาพคล่องจะใช้ ในการจัดอันดับหุ้นและพวกเขาใช้ GA การคำนวณร้อยละของทุนที่เหมาะสมกำหนดให้กับแต่ละของสินทรัพย์ Lai et al, แล้วได้ข้อสรุปว่าวิธีการเพิ่มประสิทธิภาพของพวกเขา GA-based มีประสิทธิภาพมากขึ้นสำหรับการใช้งานทางการเงินกว่าเครือข่ายประสาทเทียมหรือเลือน เมื่อเร็ว ๆ นี้หวาง [5] คิดค้นเครื่องไฮบริดการเรียนรู้ตามรูปแบบการระบุชุดที่มีแนวโน้มของคุณสมบัติและพารามิเตอร์รูปแบบที่เหมาะสม; Huang & # x2019; s รุ่นก็แสดงให้เห็นว่ามีประสิทธิภาพมากขึ้นกว่ามาตรฐานและวิธีการทางสถิติแบบดั้งเดิมสำหรับการเลือกหุ้น เพื่อปรับปรุงประสิทธิภาพการทำงานของวัตถุประสงค์เดียวรุ่น GA-based เมื่อเร็ว ๆ นี้เฉินและอัล [14] เสนอ multiobjective วิธี GA-based สำหรับเป้าหมายผลตอบแทนการลงทุนที่เพิ่มขึ้นและลดความเสี่ยงพร้อมกัน ในวิธีการที่ผู้เขียนใช้การเรียงลำดับ nondominated เพื่อค้นหาโซลูชั่น nondominated และแสดงให้เห็นว่าวิธีการ multiobjective เฮงรุ่นวัตถุประสงค์เดียวที่เสนอโดยหวาง [5] อีกการศึกษาที่เป็นที่นิยมของปัญญาได้รับการคำนวณโดยเฉพาะอย่างยิ่งเกี่ยวกับการคาดการณ์ของอนุกรมเวลาทางการเงิน จำนวนหนึ่งของการวิจัยมีพนักงานเทคนิคการเรียนรู้เครือข่ายรวมถึงฟีดไปข้างหน้าฟังก์ชั่นพื้นฐานรัศมีหรือกำเริบ NN [7] และ SVM [8] วิธีการที่ชาญฉลาดอื่น ๆ เช่นการพัฒนารูปแบบการถดถอยทางพันธุกรรม [15] และอุปนัยระบบอนุมานฟัซซี [16], นอกจากนี้ยังใช้ในวรรณคดี ซื้อขายจับคู่ [17] เป็นพื้นที่การวิจัยที่สำคัญของเงินทุนในการคำนวณที่มักจะอาศัยข้อมูลอนุกรมเวลาของราคาหุ้นสำหรับการลงทุนในหุ้นที่จะซื้อและขายเป็นคู่หาโอกาสในการเก็งกำไร มันเป็นกลยุทธ์การเก็งกำไรที่รู้จักกันดีในตลาดการเงินที่พัฒนาขึ้นในปี 1980 และได้รับการว่าจ้างให้เป็นหนึ่งที่สำคัญยาว / เครื่องมือที่ลงทุนในตราสารทุนในระยะสั้นโดยกองทุนป้องกันความเสี่ยงและนักลงทุนสถาบัน [18] แม้ว่าจะมีได้รับจำนวนเงินที่สำคัญของการศึกษา CI-based ในการใช้งานทางการเงินรายงานการวิจัย CI-based สำหรับคู่ซื้อขายจะเบาบางและขาดการวิเคราะห์อย่างจริงจัง ในวันงานที่มีอยู่จำนวนมากตามแนวการวิจัยครั้งนี้ขึ้นอยู่กับวิธีการทางสถิติแบบดั้งเดิมเช่นวิธีการระยะยาวระหว่างส่วน [19], ตัวกรองคาลมาน [20 21] และการวิเคราะห์องค์ประกอบหลักการ [18] ในพื้นที่ CI ที่ Thomaidis et al, [17] จ้างวิธีการของเครือข่ายประสาทสำหรับ บริษัท คู่ของอินโฟซิสและ Wipro ในอินเดียและประสบความสำเร็จกลับมาที่เหมาะสมในการลงทุนโดยใช้คู่ของหุ้น Saks และ Maringer [22] ใช้โปรแกรมทางพันธุกรรมสำหรับคู่ต่างๆของหุ้นในตลาดหุ้น Eurostoxx 50 และยังพบว่ากลยุทธ์คู่ค้าที่ดี แม้ว่าจะมีอยู่เหล่านี้ก่อนหน้าการศึกษา CI-based สำหรับคู่ค้าที่พวกเขาขาดการวิเคราะห์ที่รุนแรงเช่นการตรวจสอบวิธีการชั่วคราวที่ใช้ในการ [5 23] สำหรับการประเมินผลต่อไปของความทนทานของระบบซื้อขาย นอกจากนี้ในการศึกษาก่อนหน้าเหล่านี้รูปแบบการค้าที่ถูกสร้างขึ้นโดยใช้เพียงสองหุ้นเป็นคู่ค้า; ที่นี่เรานำเสนอวิธีการทั่วไปที่ใช้เวลากว่าสองหุ้นกลุ่มค้าสำหรับการเก็งกำไรในการสั่งซื้อเพื่อปรับปรุงประสิทธิภาพการทำงานของรุ่นที่ ในการศึกษานี้เรายังจ้าง GA สำหรับปัญหาการเพิ่มประสิทธิภาพการเก็งกำไรในรูปแบบของเราที่นำเสนอ ในการศึกษาที่ผ่านมา [23], Huang et al, เปรียบเทียบการถดถอยเชิงเส้นแบบดั้งเดิมและ GA สำหรับงานของการเลือกหุ้นและแสดงให้เห็นว่ารูปแบบ GA-ตามความสามารถในการดีกว่ารูปแบบการถดถอยเชิงเส้น แรงบันดาลใจจากงานวิจัยนี้เราจึงตั้งใจที่จะจ้าง GA เพื่อเพิ่มประสิทธิภาพระบบอัจฉริยะของเราสำหรับคู่ค้าและผลการทดลองแสดงให้เห็นว่าจะนำเสนอวิธีการ GA-based ของเรามีแนวโน้มสูงกว่าในเกณฑ์มาตรฐาน นอกจากนี้ในทางตรงกันข้ามกับวิธีการที่คู่ค้าแบบดั้งเดิมที่มีจุดมุ่งหมายที่คู่จับคู่ของหุ้นที่มีลักษณะคล้ายกันนี้เรายังแสดงให้เห็นว่าวิธีการของเราสามารถที่จะสร้างแบบจำลองการทำงานสำหรับการซื้อขายหุ้นที่มีลักษณะแตกต่างกัน ในการศึกษานี้เรายังตรวจสอบความแข็งแรงของวิธีการที่นำเสนอของเราและผลที่ได้แสดงให้เห็นว่าวิธีการของเรามีประสิทธิภาพแน่นอนในการสร้างแบบจำลองที่มีประสิทธิภาพสำหรับสภาพแวดล้อมแบบไดนามิกของปัญหาคู่ค้า กระดาษนี้จะมีการจัดออกเป็นสี่ส่วน ส่วนที่ 2 แสดงวิธีการที่นำเสนอในการศึกษาของเรา ในมาตรา 3 เราจะอธิบายข้อมูลการวิจัยที่ใช้ในการศึกษาครั้งนี้และนำเสนอผลการทดลองและการอภิปราย ส่วนที่ 4 สรุปบทความนี้ 2. วัสดุและวิธีการ ในส่วนนี้เรามีพื้นหลังที่เกี่ยวข้องและรายละเอียดสำหรับการออกแบบของระบบคู่ค้าของเราโดยใช้ GA สำหรับการเพิ่มประสิทธิภาพรูปแบบ 2.1 คู่ค้า คู่ค้าจะถือว่าอย่างกว้างขวางเป็น & # x201c; & # บรรพบุรุษ x201d; สถิติของการเก็งกำไรซึ่งเป็นกลยุทธ์การซื้อขายที่จะได้กำไรจากการกำหนดราคาที่แตกต่างในกลุ่มของหุ้น [17] แบบดั้งเดิมในการตัดสินใจสำหรับการลงทุนมักจะขึ้นอยู่กับปัจจัยพื้นฐานของ บริษัท ที่จะประเมินค่าของพวกเขาและราคาหุ้นของพวกเขาตาม ในฐานะที่เป็นค่าที่แท้จริงของหุ้นเป็นที่รู้จักกันไม่ค่อยเทคนิคคู่ค้าได้รับการพัฒนาเพื่อที่จะแก้ปัญหานี้โดยการลงทุนหุ้นคู่ที่มีลักษณะคล้ายกัน (เช่นหุ้นจากอุตสาหกรรมเดียวกัน) นี้ mispricing ร่วมกันระหว่างสองหุ้นเป็นสูตรทางทฤษฎีโดยความคิดของการแพร่กระจายซึ่งจะใช้ในการระบุตำแหน่งของญาติเมื่อมีผลการตลาดที่ไม่มีประสิทธิภาพใน mispricing ของหุ้น [18 21] เป็นผลให้รูปแบบการซื้อขายโดยปกติจะเป็นตลาดกลางในแง่ที่ว่ามันเป็น uncorrelated กับตลาดและอาจก่อให้เกิดความผันผวนของกลยุทธ์การลงทุนต่ำ รูปแบบปกติของคู่ค้าของหุ้นดำเนินโดยการขายหุ้นที่มีราคาค่อนข้างสูงและการซื้ออื่น ๆ ที่มีราคาค่อนข้างต่ำ ณ วันเริ่มต้นของระยะเวลาการซื้อขายที่คาดหวังว่าคนที่สูงขึ้นจะลดลงในขณะที่คนที่ต่ำกว่าจะเพิ่มขึ้นใน อนาคต. ช่องว่างราคาของหุ้นทั้งสองยังเป็นที่รู้จักแพร่กระจายจึงทำหน้าที่เป็นสัญญาณไปยังตำแหน่งที่เปิดและปิดของคู่ของหุ้น ในช่วงระยะเวลาการซื้อขายตำแหน่งเปิดเมื่อการแพร่กระจายกว้างโดยเกณฑ์ที่กำหนดและหลังจากนั้นในตำแหน่งที่มีการปิดเมื่อการแพร่กระจายของหุ้นย้อนกลับ วัตถุประสงค์ของกลยุทธ์ระยะสั้นระยะยาวนี้คือการทำกำไรจากการเคลื่อนไหวของการแพร่กระจายที่คาดว่าจะกลับไปใช้ค่าเฉลี่ยระยะยาวของ พิจารณาเงินทุนเริ่มต้น . กับอัตราดอกเบี้ย ต่อปีและความถี่ของการประนอม ในหนึ่งปี; ทุนหลังจากปีที่อาจจะแสดงเป็น ที่ก่อให้เกิดการเคลื่อนย้ายกฎการซื้อขายเฉลี่ยในตลาดฟิวเจอร์สน้ำมันที่มีขั้นตอนวิธีทางพันธุกรรม 1 โรงเรียนมนุษยศาสตร์และการจัดการเศรษฐกิจจีนมหาวิทยาลัยธรณี, ปักกิ่ง 100083, จีน 2 ห้องปฏิบัติการที่สำคัญของการดำเนินการประเมินความจุสำหรับทรัพยากรและสิ่งแวดล้อมกระทรวงที่ดินและทรัพยากร, ปักกิ่ง 100083, จีน 3 แล็บของการจัดการทรัพยากรและสิ่งแวดล้อม, จีนมหาวิทยาลัยธรณี, ปักกิ่ง 100083, จีน 4 สถาบันจีน & # x2019; s ปฏิรูปทางเศรษฐกิจและการพัฒนา Renmin University of China, ปักกิ่ง 100872, จีน ที่ได้รับ 19 กุมภาพันธ์ 2014; ปรับปรุง 4 พฤษภาคม 2014; ได้รับการยืนยัน 7 พฤษภาคม 2014; เผยแพร่ 26 พฤษภาคม 2014 บรรณาธิการวิชาการ: เฉินเหว่ย & # xA9; 2014 Lijun วัง et al, นี้เป็นบทความที่เปิดจำหน่ายภายใต้ Creative Commons Attribution ใบอนุญาต ซึ่งอนุญาตให้ใช้ไม่ จำกัด การจัดจำหน่ายและการทำสำเนาในสื่อใด ๆ ให้ทำงานเดิมที่มีการอ้างถึงอย่างถูกต้อง น้ำมันดิบตลาดฟิวเจอร์สมีบทบาทสำคัญในด้านการเงินพลังงาน เพื่อให้ได้รับผลตอบแทนจากการลงทุนมากขึ้นนักวิชาการและผู้ค้าใช้ชี้วัดทางเทคนิคเมื่อมีการเลือกกลยุทธ์การซื้อขายในตลาดฟิวเจอร์สน้ำมัน ในบทความนี้ผู้เขียนใช้ในการเคลื่อนย้ายราคาเฉลี่ยของฟิวเจอร์สน้ำมันที่มีขั้นตอนวิธีพันธุกรรมในการสร้างกฎการซื้อขายทำกำไร เรากำหนดบุคคลที่มีความแตกต่างกันของความยาวระยะเวลาและวิธีการคำนวณการย้ายกฎการซื้อขายเฉลี่ยและขั้นตอนวิธีทางพันธุกรรมที่ใช้ในการค้นหาความยาวที่เหมาะสมในการเคลื่อนย้ายระยะเวลาเฉลี่ยและวิธีการคำนวณที่เหมาะสม ผู้เขียนใช้ราคาน้ำมันดิบประจำวันของฟิวเจอร์ส NYMEX 1983-2013 ในการประเมินและเลือกย้ายกฎเฉลี่ย เราเมื่อเทียบกับกฎการซื้อขายที่เกิดขึ้นกับการซื้อและถือ (BH) กลยุทธ์ในการตรวจสอบว่าการย้ายที่สร้างกฎการซื้อขายเฉลี่ยผลตอบแทนที่ได้รับส่วนเกินในตลาดน้ำมันดิบฟิวเจอร์ส ผ่านการทดลอง 420 เราตรวจสอบว่ากฎระเบียบซื้อขายสร้างขึ้นช่วยให้ผู้ค้าทำกำไรเมื่อมีความผันผวนของราคาที่เห็นได้ชัด กฎการค้าที่สร้างขึ้นสามารถตระหนักถึงผลตอบแทนส่วนเกินเมื่อราคาตกและมีประสบการณ์ความผันผวนอย่างรุนแรงในขณะที่กลยุทธ์ BH จะดีกว่าเมื่อราคาเพิ่มขึ้นหรือเป็นไปอย่างราบรื่นกับความผันผวนไม่กี่ ผลที่สามารถช่วยให้ผู้ค้าเลือกกลยุทธ์ที่ดีกว่าในสถานการณ์ที่แตกต่างกัน 1. บทนำ พลังงานเป็นสิ่งสำคัญสำหรับการพัฒนาทางเศรษฐกิจ กิจกรรมในครัวเรือน, อุตสาหกรรมการผลิตและโครงสร้างพื้นฐานการลงทุนทั้งหมดใช้พลังงานโดยตรงหรือโดยอ้อมไม่ว่าในการพัฒนาหรือประเทศที่พัฒนาแล้วไม่มี [1] ประเด็นที่เกี่ยวข้องกับการค้าพลังงาน [2] ประสิทธิภาพการใช้พลังงาน [3], นโยบายพลังงาน [4 & # x2013; 6] การใช้พลังงาน [7] และการเงินพลังงาน [8] ได้รับความสำคัญมากขึ้นในปีที่ผ่านมา ตลาดซื้อขายล่วงหน้าน้ำมันดิบเป็นส่วนสำคัญของเงินทุนพลังงานที่อยู่ในขอบเขตของตลาดพลังงานโลก ผู้ค้าและนักวิจัยจ้างเครื่องมือในการวิเคราะห์ทางเทคนิคในการระบุกฎการซื้อขายที่เป็นประโยชน์ในตลาดการเงิน ดังนั้นการย้ายตัวชี้วัดเฉลี่ยมักใช้ในการวิเคราะห์ทางเทคนิคจะทำให้เป็นจริงผลตอบแทนที่มากขึ้น บทความนี้พยายามที่จะตอบว่าในชีวิตจริงนักลงทุนสามารถใช้กฎการเคลื่อนย้ายการซื้อขายเฉลี่ยทางเทคนิคที่จะได้รับผลตอบแทนส่วนเกินผ่านหาผลกำไรย้ายกฎการซื้อขายเฉลี่ยกับขั้นตอนวิธีทางพันธุกรรมในตลาดน้ำมันดิบฟิวเจอร์ส ขั้นตอนวิธีทางพันธุกรรมที่มีการใช้กันอย่างแพร่หลายในสังคมศาสตร์ [9 10] โดยเฉพาะอย่างยิ่งในประเด็นที่ซับซ้อนบางอย่างที่มันเป็นเรื่องยากที่จะดำเนินการคำนวณที่แม่นยำ มันเป็นแนวโน้มที่จะใช้วิธีการทางกายภาพหรือทางคณิตศาสตร์ในการใช้พลังงานและทรัพยากรเศรษฐกิจ [11 & # x2013; 16] นักวิจัยได้ใช้ขั้นตอนวิธีทางพันธุกรรมเพื่อทำนายของมลพิษการผลิตสิ่งแวดล้อมถ่านหิน [17] การเลือกภายในและพฤติกรรมการเลือกตลาดในตลาด [18], การคาดการณ์น้ำมันดิบความต้องการ [19], การลดค่าใช้จ่ายน้ำมันเชื้อเพลิงและการปล่อยก๊าซของ การผลิตพลังงานไฟฟ้า [20] และระบบการเทรด [21] ส่วนที่เกี่ยวกับประเด็นการวิเคราะห์ทางเทคนิคการเงินนักวิชาการใช้ขั้นตอนวิธีพันธุกรรมเพื่อค้นหากฎการซื้อขายที่ดีที่สุดและชี้วัดทางเทคนิคที่ทำกำไรเมื่อมีการตัดสินใจในการลงทุน [22 & # x2013; 25] ขั้นตอนวิธีทางพันธุกรรมจะรวมกันกับเครื่องมืออื่น ๆ เช่นรูปแบบตัวแทนตาม [26] ทฤษฎีคณิตศาสตร์เลือน [27] และเครือข่ายประสาท [28] นอกจากนี้ยังมีการศึกษาบางส่วนที่มีการใช้ขั้นตอนวิธีพันธุกรรมที่จะคาดการณ์แนวโน้มราคาในตลาดการเงิน [29 30] หรืออัตราแลกเปลี่ยนของตลาดแลกเปลี่ยนเงินตราต่างประเทศ [31] เนื่องจากมีจำนวนมากมายของกฎการซื้อขายทางเทคนิคและการชี้วัดทางเทคนิคที่มีอยู่ในน้ำมันดิบตลาดล่วงหน้าก็จะทำไม่ได้ที่จะใช้การคำนวณอัตลักษณ์หรือบางอื่น ๆ วิธีการคำนวณที่ถูกต้อง ดังนั้นการใช้ขั้นตอนวิธีพันธุกรรมเป็นวิธีที่เป็นไปได้ในการแก้ไขปัญหานี้ ย้ายตัวชี้วัดค่าเฉลี่ยได้รับการใช้กันอย่างแพร่หลายในการศึกษาของหุ้นและฟิวเจอร์สในตลาด [32 & # x2013; 37] สองค่าเฉลี่ยเคลื่อนที่ของความยาวที่แตกต่างกันเมื่อเทียบกับการคาดการณ์แนวโน้มราคาในตลาดที่แตกต่างกัน ค่าเฉลี่ยการเคลื่อนไหวสั้นมีความไวต่อการเปลี่ยนแปลงของราคาที่มีความยาวกว่า หากราคาเฉลี่ยเคลื่อนที่สั้นสูงกว่าระยะเวลาที่ยาวนานราคาเฉลี่ยเคลื่อนที่ที่ผู้ค้าจะเชื่อว่าราคาจะสูงขึ้นและใช้เวลาระยะยาว เมื่อย้ายสั้นราคาเฉลี่ยตกและข้ามกับนานหนึ่งกิจกรรมการค้าตรงข้ามจะถูกนำ [38] อัลเลนและ Karjalainen (AK) [39] ใช้ขั้นตอนวิธีพันธุกรรมเพื่อระบุกฎระเบียบทางเทคนิคการซื้อขายในตลาดที่มีราคาหุ้นประจำวันของ S & # x26; P 500 ราคาเฉลี่ยเคลื่อนที่ที่ใช้เป็นตัวชี้วัดหนึ่งในหลายกฎระเบียบทางเทคนิคที่ ตัวชี้วัดอื่น ๆ เช่นค่าเฉลี่ยและค่าสูงสุดนอกจากนี้ยังจะใช้เมื่อการตัดสินใจลงทุน วัง [40] ดำเนินการวิจัยที่คล้ายกันในจุดและตลาดซื้อขายล่วงหน้าโดยใช้โปรแกรมทางพันธุกรรมในขณะที่วิธี [41] ใช้ AK & # x2019; s วิธีหุ้นหมวกที่แตกต่างกันเพื่อตรวจสอบความเกี่ยวข้องของขนาด วิลเลียมเมื่อเปรียบเทียบกับกฎระเบียบทางเทคนิคที่แตกต่างกันและเครือข่ายประสาทเทียม (ANN) กฎระเบียบเกี่ยวกับตลาดซื้อขายล่วงหน้าน้ำมันระบุว่าแอนเป็นเครื่องมือที่ดีจึงโยนความสงสัยในประสิทธิภาพของตลาดน้ำมัน [38] ทั้งหมดของการศึกษาเหล่านี้รวมการย้ายตัวชี้วัดเฉลี่ยกับตัวชี้วัดอื่น ๆ ในการสร้างกฎการซื้อขาย แต่ในบทความนี้เราจะใช้ประโยชน์จากค่าเฉลี่ยเคลื่อนที่ในการสร้างกฎการค้าซึ่งอาจจะเป็นวิธีการที่ง่ายและมีประสิทธิภาพ ประสิทธิภาพของการย้ายกฎการซื้อขายเฉลี่ยได้รับผลกระทบอย่างมีนัยสำคัญโดยความยาวระยะเวลา [42] ดังนั้นการหาความยาวที่ดีที่สุดของทั้งสองช่วงเวลาดังกล่าวข้างต้นเป็นปัญหาที่สำคัญในวรรณคดีการวิเคราะห์ทางเทคนิค ความหลากหลายของความยาวได้รับการพยายามที่มีอยู่โครงการวิจัย [43 & # x2013; 48] ในงานวิจัยที่มีอยู่มากที่สุดในการเคลื่อนย้ายกฎเฉลี่ยคงใช้ระยะเวลาการย้ายความยาวเฉลี่ยและย้ายเดียววิธีการคำนวณค่าเฉลี่ย แต่มันจะดีกว่าที่จะใช้ความยาวของตัวแปรสำหรับระยะเวลาการลงทุนที่แตกต่างกัน [49 50] และมีชนิดที่แตกต่างกันในการเคลื่อนย้ายวิธีการคำนวณค่าเฉลี่ยที่สามารถนำมาใช้ในการวิเคราะห์ทางเทคนิค ในบทความนี้พิจารณาว่าระยะเวลาที่เหมาะสมของการเคลื่อนไหวระยะเวลาเฉลี่ยและวิธีการคำนวณที่ดีที่สุดอาจแตกต่างจากครั้งหนึ่งไปยังอีกที่เราใช้ขั้นตอนวิธีพันธุกรรมเพื่อตรวจสอบความยาวที่เหมาะสมของการเคลื่อนย้ายระยะเวลาเฉลี่ยและวิธีการที่เหมาะสม หกย้ายวิธีการคำนวณค่าเฉลี่ยได้รับการพิจารณาในเอกสารนี้และขั้นตอนวิธีทางพันธุกรรมที่สามารถช่วยให้เราหาวิธีที่ดีที่สุดและความยาวระยะเวลาที่เหมาะสมสำหรับสถานการณ์ที่แตกต่าง ดังนั้นเราสามารถที่จะนำเสนอที่เหมาะสมที่สุดที่จะย้ายกฎการซื้อขายเฉลี่ยสำหรับผู้ค้าในตลาดน้ำมันดิบฟิวเจอร์ส 2. ข้อมูลและวิธีการ เราใช้ชีวิตประจำวันของราคาน้ำมันดิบสัญญาในอนาคตที่ 1 สำหรับงวดปี 1983 ถึง 2013 จาก New York Mercantile Exchange (แหล่งข้อมูล: eia. gov/dnav/pet/pet_pri_fut_s1&# x5f; d. htm) เราเลือก 20 กลุ่มตัวอย่างข้อมูลแต่ละที่มีราคา 1,000 ประจำวัน ในชีวิตประจำวันราคา 1,000 ชุดราคา 500 วันถูกนำมาใช้ในการฝึกอบรมกฎการค้าในทุกรุ่น ต่อไปนี้ 200 ราคาจะถูกใช้ในการเลือกกฎการซื้อขายที่ดีที่สุดที่เกิดจากทุกรุ่นและสุดท้ายราคา 300 ประจำวันที่ใช้ในการตรวจสอบว่าการปกครองที่สร้างผลตอบแทนที่สามารถได้รับส่วนเกิน กลุ่มแรกจะเริ่มขึ้นในปี 1985, กลุ่มสุดท้ายจะสิ้นสุดลงในปี 2013 และในแต่ละชุดราคา 1,000 วันด้วยขั้นตอน 300 จะถูกเลือก นอกจากนี้เรายังจะต้องมีราคาที่ 500 ในชีวิตประจำวันมากขึ้นก่อนที่แต่ละชุดตัวอย่างการคำนวณราคาการเคลื่อนย้ายในช่วงเวลาตัวอย่าง ดังนั้นทุกการทดลองอิสระต้องมีชุดราคา 1,500 วัน ข้อมูลที่เราใช้จะถูกนำเสนอในรูปที่ 1 ย้ายกฎการซื้อขายเฉลี่ยอำนวยความสะดวกในการตัดสินใจสำหรับผู้ค้าโดยการเปรียบเทียบค่าเฉลี่ยเคลื่อนที่สองช่วงเวลาที่แตกต่างกัน ด้วยวิธีนี้ผู้ค้าสามารถคาดการณ์แนวโน้มราคาโดยการวิเคราะห์ความผันผวนของย้ายราคาเฉลี่ย พิจารณา