Liukuva Keskiarvo Geneettisen Algoritmin

Genetiikan algoritmien käyttäminen ennusteisiin rahoitusmarkkinoilla. Burton ehdotti kirjassaan "Random Walk Down Wall Street", 1973, että sormitettu apina, joka heitti tikkuja sanomalehtien taloussivuilla, voisi valita salkun, joka tekisi yhtä hyvin kuin yksi, asiantuntijat Vaikka evoluutio on saattanut tehdä ihmisestä älykkäämpää kantojen poimimisessa, Charles Darwinin teoria on varsin tehokas, kun sitä sovelletaan enemmän suoraan. Jotta voit valita varastot, tutustu How To Pick A Stock. What ovat geneettiset algoritmit. Genetic algoritmit GAs ovat ongelmanratkaisuja menetelmiä tai heuristisia ominaisuuksia, jotka jäljittelevät luonnollisen evoluutioprosessin Toisin kuin keinotekoiset hermoverkot ANNs, jotka on suunniteltu toimimaan kuten aivojen neuronien, nämä algoritmit hyödyntävät luonnollisen valinnan käsitteitä ratkaisemaan ongelman paras ratkaisu. Tämän seurauksena GA: itä käytetään yleisesti optimoijat, jotka säätävät parametreja minimoimaan tai maksimoimaan jonkinasteisen palautteen mittauksen, jota voidaan sitten käyttää itsenäisesti tai rakennettaessa Ann. Rahoitusmarkkinoilla geneettisiä algoritmeja käytetään yleisimmin löytääparametrien parhaan yhdistelmän arvot kaupankäyntisääntönä ja ne voidaan rakentaa sellaisiin ANN-malleihin, jotka on suunniteltu varastojen etsimiseen ja kauppojen tunnistamiseen. Useat tutkimukset ovat osoittaneet, että nämä menetelmät voivat osoittautua tehokkaiksi , mukaan lukien Geneettiset algoritmit Genesis of Stock Evaluation 2004 by Rama ja Geneettisten algoritmien sovellukset pörssiin Data Mining Optimization 2004 Lin, Cao, Wang, Zhang Saat lisätietoja ANN: stä nähdä Neural Networksin ennustamisessa. Miten genetiikan algoritmit toimivat. Geneettiset algoritmit luodaan matemaattisesti käyttäen vektoreita, jotka ovat määrät, jotka ovat suuntaa ja suuruutta. Kaikkia kauppasääntöjä koskevat parametrit on esitetty yksiulotteisella vektorilla, jota voidaan ajatella kromosomiksi geneettisissä termeissä. Jokaisessa parametrissa voidaan käyttää arvoja ajatellaan geeneiksi, joita muutetaan sitten luonnollisella valinnalla. Esimerkiksi kaupankäynnin sääntö voi sisältää pa: n käytön rameters like Moving Average Convergence-Divergence MACD Eksponentiaalinen liikkuvan keskiarvon EMA ja Stochastics Geneettinen algoritmi syöttää arvot näihin parametreihin tavoitteenaan maksimoida nettotulos Ajan myötä pieniä muutoksia otetaan käyttöön ja ne, jotka tekevät toivottavasti vaikutuksen, säilytetään seuraavalle sukupolvea. Tämän jälkeen voidaan suorittaa kolmen tyyppisiä geneettisiä operaatioita. Risteytykset edustavat biologiaan liittyvää lisääntymis - ja biologista ristiretkeä, jolloin lapsi ottaa vanhempiensa ominaispiirteet. Muunnelmat edustavat biologista mutaatiota ja niitä käytetään geneettisen monimuotoisuuden säilyttämiseen yhdestä väestön sukupolvi seuraavalle ottamalla käyttöön satunnaisia ​​pieniä muutoksia. Valinnat ovat vaihe, jossa yksittäiset genomit valitaan populaatiosta myöhemmäksi jalostuksen rekombinaatiota tai risteytystä varten. Näitä kolmea operaattoria käytetään sitten viiden vaiheen prosessissa. Aloita satunnainen väestö , missä jokainen kromosomi on n-pituus, jossa n on parametrien määrä Toisin sanoen määritetään satunnaiset parametrit, joissa on n elementtejä. Valitse kromosomeja tai parametreja, jotka lisäävät toivottuja tuloksia oletettavasti nettotuloksesta. Valitse valitut vanhemmat muunnos - tai ristikkäisoperaattorit ja luo jälkeläiset. Valitse jälkeläiset ja nykyinen väestöä uuden väestön muodostamiseksi valintaoperaattorille. Toista vaiheet kahdesta neljään. Tämän ajan kuluttua tämä prosessi johtaa yhä edullisempaan kromosomiin tai parametreihin käytettäväksi kaupankäynnin säännössä. Prosessi päätetään sitten, kun pysäytyskriteerit täyttyvät. voi sisältää käyntiajan, kuntoa, sukupolvien lukumäärää tai muita kriteereitä. Jos haluat lisätietoja MACD: stä, lue Kaupankäynti MACD-divergenssin avulla. Käyttämällä geneettisiä algoritmeja kaupankäynnissä. Vaikka geneettiset algoritmit käytetään ensisijaisesti institutionaalisten kvantitatiivisten toimijoiden avulla, yksittäiset toimijat voivat hyödyntää geneettisten algoritmien voiman - ilman kehittynyttä matematiikkaa - käyttää useita ohjelmistopaketteja markkinoilla Nämä ratkaisut vaihtelevat stan dalone-ohjelmistopaketteja, jotka on suunnattu rahoitusmarkkinoille Microsoft Excel-lisäosille, jotka helpottavat käytännön analyysiä. Käytettäessä näitä sovelluksia toimijat voivat määrittää joukon parametreja, jotka sitten optimoidaan käyttäen geneettistä algoritmia ja joukkoa historiallisia tietoja. sovellukset voivat optimoida parametrit ja niiden arvot, kun taas toiset keskittyvät yksinkertaisesti optimoimaan arvot tietylle parametriryhmälle. Lisätietoja näistä ohjelmasta johdetuista strategioista saat ohjelmasta Power Of Program Trades. Huomattavia optimointivinkkejä ja vihjeitä. Kaikki sovitus asentamiseen, kaupankäyntijärjestelmän suunnitteleminen historiallisten tietojen ympärille eikä toistettavien käyttäytymisten tunnistaminen, muodostaa potentiaalisen riskin geneettisille algoritmeille käytäville kauppiaille. Kaikki GA: iä käyttävät kauppajärjestelmät on testattava paperilla ennen live-käyttöä. Parametrien valinta on tärkeä osa prosessista, ja kauppiaiden on etsittävä parametreja, jotka korreloivat tietyn hinnan hinnanmuutoksiin turvallisuus Esimerkiksi kokeile erilaisia ​​indikaattoreita ja näe, vaikuttavatko ne näyttävät korreloivan merkittävien markkinasirtojen kanssa. Geneettiset algoritmit ovat ainutlaatuisia tapoja ratkaista monimutkaisia ​​ongelmia hyödyntäen luonnon voimaa Soveltaessaan näitä menetelmiä arvopaperien hintojen ennustamiseksi kauppiaat voivat optimoida kaupankäynnin säännöt tunnistaa parhaan arvot kunkin parametrin käyttämiseksi tietylle turvallisuudelle Näitä algoritmeja ei kuitenkaan ole Holy Grail, ja kauppiaiden on oltava varovainen valita oikeat parametrit eikä käyrä sopivan sovituksen Jos haluat lukea lisää markkinoista, tutustu Listen To Markkina, ei sen pundits. Korko, jolla talletuslaitos myöntää Federal Reserve - rahaston varoja toiselle talletuslaitokselle1. Tilastollinen toimenpide tietyn arvopaperin tai markkinan indeksin tuottojen hajontaan voidaan mitata. toimia Yhdysvaltain kongressissa vuonna 1933 pankkilaissa, jossa kiellettiin liikepankkien osallistuminen investointeihin. s jokaiseen työhön maatilojen, yksityisten kotitalouksien ja voittoa tavoittelemattomien yritysten ulkopuolella. Yhdysvaltojen työvaliokunta. Valuutan lyhennys tai valuutan symboli Intian rupee INR: lle, Intian valuutalle Rupee muodostuu 1.Ohjelman konkurssiin konkurssiin kuuluvan yrityksen valitsemasta kiinnostuneesta ostajayrityksestä peräisin olevista omaisuuseristä. Hankkijoiden joukosta. Geneettinen algoritmi R-trendissä Seuraavaksi. Olisi varastossa Facebook-strategia. Eksponentiaalinen liikkuva keskiarvo paramA 10 paramB 45. Strategiassäännöt ovat yksinkertaisia, jos liikkuva keskipituusparAA liikkuva keskipituus paramB sitten pitkä ja päinvastoin. Fitness toiminto. geeni on määrällisesti hyvä tai huono geenin avulla fitness toiminto menestys geneettinen kaupankäynnin strategia riippuu voimakkaasti valitsemasi fitness toiminto ja onko järkevää strategiat, joiden kanssa aiot käyttää Sinä kaupataan aktiivisesti toimivien geenien suunnittelemia strategioita ja luokitellaan sitten heidän kuntonsa hyväksi. Hyvä lähtökohtana olisi käyttää terävää suhdetta e fitness-toimintoa. Sinun on oltava varovainen, että voit käyttää fitness-toimintoa tilastollisesti merkittäviin tietoihin. Esimerkiksi jos käytät keskimääräistä palauttamisstrategiaa, joka voi käydä kauppaa kerran kuukaudessa tai mitä ikinä sinun uudelleenkoulutusikkunasi on, niin kuntoasi määritetään 1 tai 2 datapistettä Tämä johtaa huonoon geneettiseen optimointiin koodissani Olen kommentoinut keskimääräistä kääntöstrategiatestiäsi itsellesi Yleensä mitä tapahtuu, on sharpe-suhde 2 datapisteen välillä on erittäin suuri vain alaspäin onnea. Merkität sen sitten hyväksi geeniksi ja kauppaa se ensi kuussa kauheilla tuloksilla. Synnyttävät geenit. Geeniteknologian avulla geneettisen algon täytyy kasvattaa geenejä, ja loput tämän jälkeen oletan, että olet kasvatettu kerran kuukaudessa. Kasvatuksen aikana otat kaikki geenipoolin geenit ja lajittele ne kuntofunktion mukaan. Valitse sitten parhaat N-geenit ja kasvatat heidät hylkäämään kaikki muut geenit, joita he eivät käytä. Breeding koostuu kahdesta osasta. Hybridisaatio Ota geeni ja leikkaa leikkaus i t, voit käyttää mitä tahansa satunnaislukugeneraattoria, jonka haluat määrittää leikkauspisteitä, vaihtaa tämän kappaleen vastaavan kappaleen toisesta geenistä. Eg Vanha geeni 00 1100 10 ja 11 1001 10 punainen on satunnaisesti valittu bitit leikattaessa Uusi geeni 00 1001 10 ja 11 1100 10. Tee tämä kaiken mahdollisen parin geenien yläosassa N-luettelossa. Muunnos Hybridisaation jälkeen läpi kaikki geenit ja satunnaisesti kääntää bitit kiinteällä todennäköisyydellä Mutaatio estää strategiasi lukittumisesta jokaiseen kutistuvaan geeni-pool. For yksityiskohtainen selitys kaavioita, katso. selaa alaspäin Geneettisiin algoritmeihin ja sen soveltamiseen kaupankäynnissä. Näytetty Sharpe-suhde Rf 0 1 15.Maatemaattiset ongelmat Engineering. Generating Moving keskimääräinen kaupankäynnin säännöt öljy futuurimarkkinoilla Geneettisiä algoritmeja.1 Humanististen tieteiden ja talouden hallinto, Kiinan Geotieteiden yliopisto , Beijing 100083, Kiina 2 Keskeinen resurssitehokkuuden ja ympäristön kestävän kehityksen laboratorio, maa - ja luonnonvaraministeriö, Peking 100083, Kiina 3 Resurssien laboratorio ja ympäristönhallinta, Kiinan geotieteiden yliopisto, Peking 100083, Kiina 4 Institute of China's Economic Uudistus ja kehittäminen, Renminin yliopisto Kiinassa, Peking 100872, Kiina. Vastaanotettu 19. helmikuuta 2014 Tarkistettu 4. toukokuuta 2014 Hyväksytty 7. toukokuuta 2014 Julkaistu 26. toukokuuta 2014.Kulttuurinen toimittaja Wei Chen. Copyright 2014 Lijun Wang et al Tämä on avoimen pääsyn artikkeli jaettu Creative Commons Attribution License, joka mahdollistaa rajoittamattoman käytön, jakelun ja kopion missä tahansa välineessä, edellyttäen että ori ginaalinen työ on oikein mainittu. Raakaöljyn futuurimarkkinat ovat kriittinen rooli energiataloudessa Saadakseen lisää sijoitustuottoja tutkijat ja kauppiaat käyttävät teknisiä indikaattoreita valittaessa kaupankäynnin strategioita öljy futuurimarkkinoilla Tässä artikkelissa kirjoittajat käyttivät liukuva keskihintoja öljyä futuurit geneettisten algoritmien kanssa kannattavien kaupankäyntisääntöjen luomiseksi Olemme määritelleet yksilöitä, joilla on eri ajanjakson pituusyhdistelmiä ja laskentamenetelmiä liikkuvien keskimääräisten kauppasääntöjen ja käytettyjen geneettisten algoritmien avulla etsimään sopivia pituuksia liikkuvia keskimääräisiä ajanjaksoja ja sopivia laskentamenetelmiä. Kirjoittajat käyttivät päivittäistä raakaöljyä Öljyn hinnankorotukset NYMEX-futuureista vuosilta 1983-2013 arvioidakseen ja valitsevat liukuva keskimääräinen säännöt Verrattiin syntyneitä kaupankäyntisääntöjä buy-and-hold BH strategialla selvitettäessä, syntyykö syntyneet liikkuvat keskimääräiset kaupankäyntisäännöt raakaöljyn futuurimarkkinoiden ylimääräiset tuotot 420 kokeiluja, päätämme, että syntyneet kauppasäännöt auttaa kauppiaita tekemään voittoa, kun on olemassa ilmeisiä hintavaihteluita Luotu kaupankäynnin säännöt voivat saavuttaa ylimääräiset tuotot, kun hinta laskee ja kokemuksia merkittävistä vaihteluista, kun taas BH-strategia on parempi, kun hinnankorotukset tai sujuvat ja muutamat vaihtelut Tulokset voivat auttaa kauppiaita valitsemaan parempia strategioita eri olosuhteissa .1 Johdanto. Energia on elintärkeää taloudellisen kehityksen kannalta Kotitaloustoiminta, teollisuustuotanto ja infrastruktuuri-investoinnit kuluttavat suoraan tai epäsuorasti energiaa kehitysmaissa tai kehittyneissä maissa 1 Energiakauppaa 2, energiatehokkuutta 3, energiapolitiikka 4 6, energian kulutus 7 ja energia-alan rahoitus 8 ovat saaneet enemmän merkitystä viime vuosina Raakaöljyn futuurimarkkinat ovat olennainen osa energiataloutta maailmanlaajuisten energiamarkkinoiden puitteissa. Kaupat ja tutkijat käyttävät teknisiä analyysityökaluja, joilla tunnistetaan rahoitusmarkkinoiden ansiotasot. , liukuvat keskiindikaattorit ovat yhteistyössä jota käytetään teknisillä analyyseillä suurempien tuottojen aktivoimiseksi. Tässä asiakirjassa pyritään vastaamaan, onko sijoittajalla todellisessa elämässä mahdollista käyttää liukuvaa keskimääräistä teknistä kaupankäyntisääntöä saadakseen ylimääräiset tuotot etsimällä kannattavaa liikkuvaa keskimääräistä kauppasääntöä geneettisten algoritmien avulla raakaöljyn futuurimarkkinoilla. algoritmeja käytetään laajalti yhteiskuntatieteissä 9 10, erityisesti tietyissä monimutkaisissa kysymyksissä, joissa on vaikea tehdä tarkkoja laskelmia. Tavoitteena on soveltaa fysikaalisia tai matemaattisia menetelmiä energian ja resurssien talouteen. 11 16 Tutkijat ovat soveltaneet geneettisiä algoritmeja hiilen ennustamiseen tuotantoympäristön pilaantuminen 17, markkinoiden sisäinen valinta - ja markkinoidenvalintakäyttäytyminen 18, raakaöljyn kysyntään liittyvä ennuste 19, polttoainekustannusten minimointi ja sähköntuotannon 20 kaasupäästöt sekä valuuttakauppajärjestelmä 21. teknisen analyysin ongelmat, tutkijat käyttävät geneettisiä algoritmeja etsimään s kauppasääntöjä ja kannattavia teknisiä indikaattoreita investointipäätösten tekemisessä 22 25 Geneettiset algoritmit yhdistetään muihin työkaluihin, kuten agenttipohjaisen mallin 26, sumean matemaattisen teorian 27 ja hermoverkkojen 28 kanssa. Myös joitain tutkimuksia, joissa on käytetty geneettisiä algoritmeja, rahoitusmarkkinoiden hintakehitys 29 30 tai valuuttamarkkinoiden valuuttakurssi 31 Koska raakaöljyn futuurimarkkinoilla on olemassa runsaasti teknisiä kauppasääntöjä ja teknisiä indikaattoreita, on epäkäytännöllistä käyttää ergodisia laskelmia tai tiettyjä muita täsmälliset laskentamenetelmät Näin ollen geneettisten algoritmien käyttäminen on toteuttamiskelpoinen tapa ratkaista tämä ongelma. Keskimääräisiä indikaattoreita on käytetty laajasti varastojen ja futuurimarkkinoiden tutkimuksissa. 32 37 Verrataan kahta erilaista pituutta liikkuvaa keskiarvoa eri markkinoiden hintakehitykseen liukuvat keskiarvot ovat herkempiä hinnankorotuksille kuin pitemmät Jos lyhyet liukuva keskihinta on highe kuin pitkällä aikavälillä liikkuvan keskihinnan, kauppiaat uskovat, että hinta nousee ja kestää pitkiä positioita. Kun lyhyen liukuvan keskihinnan laskee ja ylittää pitkän, vastakkaista kaupankäyntiä harjoitetaan 38 Allen ja Karjalainen AK 39 käyttävät geneettisiä algoritmeja tunnistaa tekniset kaupankäyntisäännöt osakemarkkinoilla SP 500: n päivähinnoilla Liikkuvan keskihinnan käytettiin yhtenä monista teknisten sääntöjen indikaattoreista. Muita indikaattoreita, kuten keskiarvoa ja enimmäisarvoa, käytetään myös sijoituspäätösten tekemisessä Wang 40 suorittivat samanlaista tutkimusta spot - ja futuurimarkkinoista, jotka käyttävät geneettistä ohjelmointia, kun taas How 41 käytti AK: n menetelmää erilaisiin korkkareihin, jotta määritettäisiin Williamin suuruusluokka, vertaamalla eri teknisiä sääntöjä ja keinotekoisen hermoverkon ANN-sääntöjä öljyn futuurimarkkinoilla. ANN on hyvä työkalu, joka kyseenalaistaa öljymarkkinoiden tehokkuuden 38 Kaikki nämä tutkimukset yhdistävät liikkuvan keskiarvon Kauppasääntöjen luomiseen tähtäävien muiden indikaattorien avulla voidaan kuitenkin käyttää liikkuvia keskiarvoja kaupankäyntisääntöjen luomiseksi, mikä voi olla yksinkertainen ja tehokas lähestymistapa. Liikkeessä olevan keskimääräisen kaupankäyntisäännön suorituskykyyn vaikuttaa merkittävästi kauden pituudet 42 Siksi, edellä mainittujen kahta jaksojen optimaalinen pituus on keskeinen kysymys teknisessä analyysikirjallisuudessa. Nykyisissä tutkimushankkeissa on kokeiltu erilaisia ​​pituuksia 43 48 Nykyisessä tutkimuksessa suurin osa liikkuvien keskimääräisten sääntöjen mukaan käyttää kiinteitä liikkuvia keskimääräisiä pituusjaksoja ja yksittäisen liikkuvan keskimääräisen laskennan menetelmä On kuitenkin parempi käyttää vaihtelevia pituuksia eri sijoitusajoissa 49 50 ja on olemassa erilaisia ​​liikkuvan keskiarvon laskentamenetelmiä, joita voidaan käyttää teknisessä analyysissä. Tässä asiakirjassa ottaen huomioon, että liikkuvien keskimääräisten jaksojen optimaalinen pituus ja paras laskentamenetelmä voi vaihdella kerralla toiseen käytämme geneettisiä algoritmeja sopivan len määrittämiseksi Tässä kuvassa käsitellään kuutta liikkuvaa keskimääräistä laskentamenetelmää ja geneettiset algoritmit voivat auttaa meitä löytämään parhaan menetelmän ja sopivan ajanjakson pituuden eri olosuhteissa. Näin pystymme esittämään sopivimman liikkuvan keskiarvon Kaupan säännöt raakaöljyn futuurimarkkinoiden toimijoille. 2 Tiedot ja menetelmä. Käytämme raakaöljyn tulevan sopimuksen 1 päivittäisiä hintoja vuosina 1983 - 2013 New Yorkin Mercantile Exchange - tietolähteestä. näytteen tiedot, joista kukin sisältää 1000 päivittäistä hintaa 1000 päivittäisessä hinnoittelussa käytetään 500 päivän hintasarjaa kauppasääntöjen kouluttamiseen jokaisella sukupolvella Seuraavat 200 hintaa käytetään valitsemaan kaikkien sukupolvien parhaiten luotu kauppasääntö ja viimeiset 300 päivittäisiä hintoja käytetään määrittämään, voidaanko syntynyt sääntö hankkia ylimääräisiä tuottoja Ensimmäinen ryhmä alkaa vuonna 1985, viimeinen ryhmä päättyy vuonna 2013 ja kukin 1000 päivän hinta s jossa 300 askeleesta valitaan. Jokaiseen näytejoukkoon on myös sisällytettävä 500 enemmän päivittäistä hintaa, jotta voidaan laskea näytejakson liukuvat hinnat. Jokainen riippumaton kokeilu vaatii 1500 päivän hintasarjan. Käyttämämme tiedot esitetään kuviossa 1 . Kuvio 1 Tietojen valinta. Keskimääräisten kauppasääntöjen helpottaminen helpottaa kauppiaiden päätöksentekoa vertaamalla kahta eri ajan liikkuvaa keskiarvoa Tällä tavoin kauppiaat voivat ennustaa hintakehitystä analysoimalla liukuvien keskihintojen volatiliteettia. jota käytetään teknisessä analyysissä yksinkertaisen liikkuvan keskimääräisen SMA: n, painotetun liikkuvan keskiarvon WMA: n, eksponentiaalisen liukuvan keskiarvon EMA: n, adaptiivisen liukuvan keskiarvon AMA: n, tyypillisen liukuvan keskiarvon TPMA: n ja kolmiomaisen liikkuvan keskiarvon TMA: n laskemiseen. Yksityiskohtaiset tiedot kuudesta liikkuvaa keskimääräisestä indikaattorista. Käytä liukuvaa keskimääräistä kauppasääntöä öljy futuurimarkkinoilla vähintään kolme para mittarit on asetettava kaupankäynnin strategian luomiseksi. Näihin parametreihin sisältyy kahden liukuvan keskimääräisen ajan pituus ja liikkuvan keskiarvomenetelmän valitseminen kuudesta edellä mainituista kuiduista. Muut tutkijat ovat käyttäneet eri pituisia näytejaksoja opinnoissaan Tässä artikkelissa käytämme geneettiset algoritmit liikkuvan keskimääräisen pituuden sopivien pituuksien määrittämiseksi Nykyisen kirjallisuuden mukaan pitkä aika on yleensä välillä 20 ja 200 päivää. Harva tutkimus käyttää pitkiä aikoja kuin 200 päivää 38 39 ja lyhyt aika on yleensä enintään 60 päivää. Jos pitkä keskimääräinen hinta on alhaisempi kuin lyhyt keskimääräinen hinta, elinkeinonharjoittaja kestää pitkään. Tästä seuraa, että päinvastaisissa tilanteissa otetaan vastakkaiset strategiat huomioon. Ottaen huomioon hintavaihtelut futuurimarkkinoilla pitämällä pitkän kantaa, kun lyhyen keskihinnan ylittää pitkän keskimääräisen hinnan vähintään yhdellä lyhyen aikavälin keskihajonnalla, voi olla hyvä sääntö. Sitä vastoin lyhyellä o Olla hyvä sääntö Siksi suunniteltiin kaksi sääntöä alkuperäisissä kauppasäännöissämme Kuusi liikkuvaa keskiarvoa koskevat yksityiskohtaiset laskentamenetelmät on esitetty kuvassa 2. Kaavio 2 Kauppasääntöjen kuvio 2. 17-binaarinen merkkijono käytetään edustamaan kaupankäyntiä sääntö, jossa seitsemän binäärinen aliverkko edustaa MN. on pitkä jakson pituus ja lyhyen jakson pituus kuuden binaarisen alirenkaan kuuluu alueelle 1 - 64. Kolmen binäärisen merkkijonon muodostaa keskimääräisten hintojen laskentamenetelmä. tämä paperi, vaihteluväli on 5: sta 132: een. Viimeinen binääri määrittää, vaihdetaanko kaupankäynnin strategiat vain silloin, kun kahden keskimääräisen keskimääräisen hinnan välillä on enemmän kuin yksi keskihajontaero. Kauppasääntöjen rakenne on esitetty kuvassa 2 Kaupankäynnin soveltuvuus säännös lasketaan raakaöljyn futuurimarkkinoilla saatavan voiton mukaan. Vertailla kaupankäynnin sääntöjä BH: n buy-and-hold - yhtiön kanssa pitämällä pitkäaikaista asemaa koko strategian ajan, pro Muodostetun säännön sopivuus on BH-strategian ylittävä ylimääräinen tuottoaste. Palautusnopeuden viitearvojen AK-menetelmän laskentamenetelmä Erona on se, että voimme antaa elinkeinonharjoittajalle pitkäaikaisen aseman, emmekä laske palaa joka päivä Harkitse pitkän kantaisen strategian ylituottoprosentti eli pitkän sijoituksen ja lyhyen sijoituksen summa Rf on riskitön tuotto, kun se on pois markkinoilta ja Rbh on sijoitetun pääoman tuotto BH-strategia otosjaksolla Rm on futuurimarkkinoiden marginaalisuhde Parametri merkitsee yksisuuntaista transaktiokustannusastetta ja edustaa pitkäaikaista tai lyhytaikaista positioiden avaushintaa ja sulkemishintaa, vastaavasti ensimmäisen päivän hinta koko ajanjakson ja viimeisen päivän hinnasta. Koska sivuutan marginaalin ja sopimuksen määräajan muutokset eivät ole huomioiden, elinkeinonharjoittaja voi säilyttää strategiansa ottamalla vastaan ​​uusia tehtäviä, kun sopimus on lähellä tilinpäätöspäivää. numero, joka on välillä 0 ja 2 laskettuna epälineaarisella muunnoksella Ra: n mukaan Kuntoluokkien laskeminen, valinta, crossover ja yksilöiden muuntuminen toteutetaan Sheffieldin GA-työkalupaketin avulla Matlab-alustalla Jokaisen sukupolven aikana, jokaisen sukupolven paras kauppasääntö testataan valintatyön aikana 200 päivän hintasarjasta vain kun kunto-arvo on korkeampi kuin viimeisen sukupolven paras arvo tai kun kaksi arvoa ovat lähes samat. kaupankäynnin säännöt on merkitty parhaaksi tähän mennessä Kaikissa sukupolvissa 90 prosenttia väestöstä valitaan uuden sukupolven muodostamiseksi, kun taas toinen 10 prosenttia syntyy satunnaisesti. Näin ollen yksilöiden kehitys, jossa käytetään geneettisiä algoritmeja yhdessä riippumattomassa kokeessa voidaan tiivistää seuraamalla. Vaihe 1 alustaa väestö Satunnaisesti luoda alustava väestö 20 liukuva keskimääräinen kaupankäynnin säännöt. Vaihe 2 arvioida yksilöitä T jokaisen yksilön kunto lasketaan arviointivaiheessa Ohjelma laskee liukuvan keskiarvon kahdella eri asteikolla harjoituksen aikana lisätietojen avulla ja määrittää kantoja jokaisena pörssipäivänä. Jokaisen yksilön ylimääräinen tuotto lasketaan lopuksi. jokaisen yksilön kuntomäärä lasketaan ylimäärän paluuprosentin mukaan. Vaihe 3 Muista paras kauppasääntö Valitkaa sääntö, jolla on korkein kuntovajausarvo ja arvioi se valinnan ajankohdasta saadakseen sen tuottoaste Jos se on parempi tai ei huonompi nykyiseen parhaaseen sääntöön, se merkitään parhaaksi kauppasäännönä Jos sen paluusuhde on pienempi tai pienempi kuin 0 05 suurempi kuin nykyinen korko, säilytetään nykyinen sääntö parhaana. Vaihe 4 luo uuden väestön Valitsemalla 18 yksilöt yksilöidään niiden kuntomäärien mukaan, sama henkilö voidaan valita useammin kuin kerran Siksi, luo satunnaisesti 2 ylimääräistä kauppasääntöä Todennäköisyys o f 0 7, suorita rekombinaatioprosessi uuden populaation muodostamiseksi. Näin ollen kaikki rekombinaatiosäännöt mutatoidaan todennäköisyydellä 0 05. Vaihe 5 Palaa vaiheeseen 2 ja toista 50 kertaa. Vaihe 6 testataan paras kauppasääntö Testaa paras kaupankäynnin säännöt, jotka on määritelty edellä mainitulla ohjelmalla. Tämä tuottaa paluumää - rän ja ilmoittaa, voivatko geneettiset algoritmit auttaa kauppiaita saavuttamaan ylimääräiset tuotot tämän otosjakson aikana. Koska tässä asiakirjassa ei ole otettu huomioon varojen määrää, on 0 05 Itse asiassa, koska parametrilla ei ole merkittävää vaikutusta kokeilutuloksiimme, tuottoaste kasvaa kaksikymmentä kertaa. Kussakin ajanjaksossa on 20 kpl, 420 riippumatonta kokeilua, joilla määritetään raakaöljy-futuurien hyödylliset liikkuvat keskimääräiset kauppasäännöt markkinat Käytetyt hinnat, joita käytimme 21 jaksoa varten, on esitetty kuvassa 3. Kuvio 3 Esimerkkitiedot. Aiempien tutkimusten 39 40 51 perusteella ja päätettäessä väliarvon valitsemisesta y, transaktiokustannusnopeus on 0 1 420 kokeilua varten Riskitön tuottoaste on 2, joka perustuu ensisijaisesti lyhytaikaiseen valtion velkasitoumukseen 41. 420 kokeilusta 226 voittoa. Keskimääräinen tuottoaste 1 446: sta todetaan, että geneettiset algoritmit voivat helpottaa kauppiaita saadakseen tuottoa raakaöljyn futuurimarkkinoilla. Geneettisten algoritmien tunnistamien keskimääräisten kauppasääntöjen siirtäminen ei kuitenkaan johda ylimääräisiin tuottoihin, sillä vain kahdeksan jaksoa, kun raakaöljyn futuurit ovat nousseet monta kertaa näytejakson aikana, lisäksi väittävät, että geneettiset algoritmit ovat hyödyllisiä investoinneissa. Jotta ymmärrettäisiin paremmin, jaamme 21 jaksoa neljään luokkaan tulosten perusteella. taulukon 2 viimeinen sarake. Taulukko 2 Koetulokset. Luokka 1 kaudet 2, 3 ja 9. Näissä kausissa syntyneet kauppasäännöt eivät ainoastaan ​​auttaisi kauppiaita saamaan tuottoja vaan myös auttamaan heitä realisoimaan ylimääräiset tuotot Luotu kaupankäyntisäännöt tuottavat enemmän voittoja kuin BH: n strategiat kausilla 3 ja 9 Kauden 2 aikana BH-strategia menettää rahaa, kun taas geneettisten algoritmien määrittämä tuotettu kauppasääntö tuottaa voittoa. Kauppasäännöt ovat huomattavasti paremmat kuin BH: n strategiassa tällä kaudella. Luokkaan 1 kuuluvien kolmen jakson yhteinen piirre on, että raakaöljyn hinnat laskivat testikauden aikana ja heikensivät huomattavia vaihteluita. Luokka 2: n jaksoissa 5, 8, 12, 16 ja 18 Luodut liikkuvat keskimääräiset kaupankäyntisäännöt eivät tuota voittoja näiden viiden jakson aikana. Silloinkin, syntyneet säännöt tehostivat BH: n strategiaa paremmin, koska ne heikensivät merkittävästi tappioita. Näillä kausilla hinnat laskivat sujuvasti ja kokivat pieniä vaihteluja prosessin aikana. Luokka 3 kaudet 1, 6, 7, 10, 11, 14, 15 ja 17 Näissä kahdeksassa näytejaksoissa geneettiset algoritmit auttavat kauppiaita tunnistamaan sopivat liikkuvat keskimääräiset kaupankäynnin säännöt Howev Eräät kauppiaat eivät kyenneet saamaan ylimääräisiä tuottoja Vaikka hinnat jatkuvasti nousevat näissä ajanjaksoissa, on olemassa myös pieniä vaihteluita, jotka aiheuttavat geneettisten algoritmien olevan alhaisemmat kuin BH: n strategiassa näissä ajanjaksoissa. Luokka 4: n jaksoissa 4, 13, 19, 20 , ja 21 Geneettisen algoritmin kauppasäännöt osoittavat heikkoa suorituskykyä näissä viidessä jaksossa Aikana 21, BH-strategia tuottaa negatiivisia tuottoja Geneettiset kaupankäyntisäännöt tuottavat vakavampia tappioita BH-strategiaa pidetään parempana kuin neljän muun jakson aikana syntyneet kauppasäännöt, BH-strategia tuottaa joitakin tuottoja Vaikka hintojen tasoa ei ole näissä kausissa merkittävästi muutettu, hinnat ovat epävakaissa tilastoissa viiden eri ajanjakson aikana. Lievien hintojen muutokset ilman näkyviä suuntauksia tekevät tuotetuista kaupankäyntisäännöistä avuttomaksi ennustamalla hinnanmuutoksia ja tuottamalla tuottoa. Käytämme geneettisiä algoritmeja etsimään raakaöljymarkkinoiden toimijoille hyvää liikkuvaa keskimääräistä kaupankäyntisääntöä. Taulukko 3, joka kuvaa keskiarvoa ge-lukumäärän ja jokaisen ajanjakson osalta, osoittaa, että pitkällä aikavälillä on läheinen suhde hintojen volatiliteettiin näytejaksolla. Suuri on asetettu kausille, joilla on merkittäviä vaihteluita ja pieni valitaan ajanjaksoille, jolloin hinta on suhteellisesti stable. Table 3 Keskimääräinen arvo ja kussakin ajanjaksossa. Jakauma on esitetty kuvassa 4. Todennäköisyysarvo on hyvin pieni eikä se seuraa normaalia jakautumista. Kuvassa on tyypillinen rasvajohtomainen ominaisuus, jonka kurtoosi on 2 36 Verrattuna normaalijakauma, tulosten jakautumisessa on enemmän arvoja. Vain puolet 420 kokeesta on välillä 70 päivää ja 130 päivää. Arvot ovat hajautettuja ja uskomme, että on tieteellisempi valita parhaan pituuden kaksi jaksoa käyttäen koulutusprosessia, jota olemme käyttäneet tässä asiakirjassa varsinaisessa sijoituksessa. Kuvio 4 Jakautuminen. Kuuden liikkuvat keskimääräisen laskentamenetelmän, AMA: n ja TMA: n usein kuin muut neljä, katso taulukko 4, koska yli puolet tuotetuista liikkuvista keskimääräisistä kaupankäyntisäännöistä käyttää AMA: ta tai TMA: ta. Pieni määrä tuotettuja kauppasääntöjä käyttää WMA: ta ja EMA: ta, kun taas helposti laskettavissa olevat TPMA ja SMA ovat usein joita käytetään jossakin ajanjaksossa, kuten jaksoissa 1, 2, 3, 12, 19 ja 21. Taulukko 4 Laskentamenetelmät liikkuvan keskihinnan laskemisesta kultakin ajanjaksolta. Laskentamenetelmän valinta liittyy hintakehitykseen ja volatiliteettiin. Kuvio 5 osoittaa, että TPMA: ta käytetään 31 kertaa 60 riippumattomassa kokeessa jaksoissa 2, 3 ja 9 luokkaan 1 Eroaa kokonaisprosentista, TPMA on suosituin laskentamenetelmä, kun hintojen lasku kaudella ja huomattavat vaihtelut. AMA on suosituin menetelmä kolme muuta ryhmää EMAa ei koskaan käytetä luokissa 1 ja 4 Kuitenkin se kestää 24-osuuden luokkaan 2 verrattuna enemmän kuin TMA, SMA, TPMA ja WMA. TMA: n ja SMA: n osuuksilla ei ole merkittäviä eroja eri luokissa Luokkaan 4 hinnat muuttuvat ilman näennäisiä suuntauksia. Jokaisella menetelmällä ei ole ilmeistä etua verrattuna muihin. Kuva 5 Menetelmien osuudet eri luokissa. Saman ajanjakson 20 kokeiden tulokset osoittavat korkeaa sakeutta arvoon sd. Taulukko 5 Kun hinnat vaihtelevat , kuten jaksoissa 1, 2, 7, 8, 13, 19 ja 20, jolloin avaamispaikkoja ei ole, kunnes keskimääräinen hinta ylittää toisen vähintään yhden keskihajonnan, on paras vaihtoehto Kun hinta on suhteellisen vakaa, olisi tehtävä välittömästi niin kauan kuin kaksi liikkuvaa keskiarvoa ylittävät. 5 Kauppasääntöjen lukumäärää, joissa 1.4. Keskustelu. Tällä paperilla pyritään luomaan liikkuvaa keskimääräistä kauppasääntöä öljy futuurimarkkinoilla käyttämällä geneettisiä algoritmeja. Eri tutkimuksista käytämme vain liukuvat keskiarvot teknisiksi indikaattoreiksi hyödyllisten liikkuvien keskimääräisten kaupankäyntisääntöjen määrittelemiseksi ilman muita monimutkaisia ​​teknisiä analyysejä ja indikaattoreita. toimivat ja ne ovat selkeitä tilasta riippumatta. Hyödynnä raakaöljyn futuurimarkkinoiden parhaita kaupankäyntisääntöjä, käytämme geneettisiä algoritmeja kaikkien liikkuvien keskimääräisten kaupankäyntijärjestelmien parametrien valintaan dynaamisesti sen sijaan, että ne toimisivat kiinteällä tavalla. meidän geneettisiä laskelmia käyttäen geneettisiä algoritmeja selvittämään parhaat pituudet kahden liukuvan keskimääräisen ajanjaksojen kannattaa, koska syntyneet pituudet eroavat toisistaan ​​eri hintakehityksessä Staattinen liikkuvan keskimääräisen kaupankäynnin säännöt, joilla on kiinteä pituus, eivät voi sopeutua monimutkaisiin hintavaihteluihin eri ajanjaksoja Koulutusprosessi, joka ottaa huomioon hintavaihteluiden dynaamiset piirteet, voi auttaa kauppiaita selvittämään kaupankäynnin säännön kahden siirtymäkauden optimaaliset pituudet. Kuusi liikkuvaa keskimääräistä menetelmää käyttäen AMA ja TMA ovat eniten koska nämä kaksi menetelmää kykenevät sopeutumaan hintakehitykseen AMA: n mukaan n change the weights of the current price according to the volatility in the last several days As the TMA is the average of the SMA, it more accurately reflects the price level However, the selection of best moving average calculation method is affected by price trends Traders can choose methods more scientifically according to the price trends and fluctuations Based on our experiment results, TPMA is an optimal choice when price experiences a decline process with significant fluctuations, and generating moving average trading rules are outstanding compared with BH strategy in these occasions Although EMA takes a very small proportion in the total 420 experiments, it is also an applicable method other than AMA when price falls smoothly. For the periods in which the price volatility is apparent, decisions will not be made until the difference between the two averages exceeds the standard deviation of the short sample prices, thereby reducing the transaction risk However, this method is n ot suitable for a period in which the price is relatively stable In these situations, hesitation may sometimes cause traders to miss possible profit opportunities. As a whole, generated moving average trading rules can help traders make profits in the long term However, genetic algorithms cannot guarantee access to additional revenue in every period as they are only useful in acquiring excess returns in special situations The generated moving average trading rules demonstrate outstanding performance when the crude oil futures price falls with significant fluctuations The BH strategy will lose on these occasions, while the generated trading rule can help traders foresee a decline in price and reduce losses Our trading rules also yield positive returns during the fluctuations by the timely changing of positions. When the price falls smoothly with few fluctuations in the process, generated trading rules can yield excess returns compared to the BH strategy Although genetic algorithms cannot help traders receive positive returns during these periods, the algorithms can help traders reduce loss by changing positions with the change of price trends When the price is stable or rising smoothly, the generated rules may generate returns However, they cannot generate more returns than the BH strategy Limited returns cannot afford the transaction costs When the price falls, the generated rules may be superior to the BH strategy Genetic algorithms can also help traders make profits in the process of price increases with small fluctuations In these periods, the BH strategy is better than generated trading rules because the transactions in the process generate transaction costs and may miss some profit opportunities Generated moving average trading rules have poor performance if there are no notable trends in the price change In these periods, moving average indicators cannot find profit opportunities because the volatility is too small The trends of price changes are delayed by the moving average method Therefore, when a decision is made, the price trend must also change, and as a result, there is no doubt that the trader will experience deficits. Using genetic algorithms, moving average trading rules do help traders to gain returns in the actual futures market We also identified the best lengths for the two periods with respect to moving average rules and recommend the moving average calculation method for the crude oil futures market Technical trading rules with only moving average indicators generated by genetic algorithms demonstrate no sufficient advantages compared to the BH strategy because the overall price increased during the 30-year period Nevertheless, generated moving trading rules are beneficial for traders under certain circumstances, especially when there are significant changes in prices. In this paper, we search best trading rules according to the return rate of each one without regard to asset conditions and open interest, which proves to be the greatest limitation of the study To improve the accuracy of the results, a simulation with actual assets is recommended Accordingly, we will undertake this endeavor in a subsequent research.5 Concluding Remarks. We conclude that the genetic algorithms identify better technical rules that allow traders to actualize profits from their investments While we have no evidence to demonstrate that generated trading rules result in greater returns than does the BH strategy, our conclusion is consistent with the efficient market hypothesis While generated trading rules facilitate traders in realizing excess returns with respect to their investing activities under specific circumstances, they cannot, at least by using moving average trading rules, ensure more long-term excess returns than the BH strategy With respect to the selection of two periods, finding out optimal lengths using genetic algorithms is helpful for making more profits Of the six moving average indicators, AMA and TMA are the most popular moving average calculation methods for the crude oil futures market in total, while TPMA is an outstanding method in some occasion When the crude oil prices demonstrate notable volatility, a trader is advised to wait until the difference of the two moving averages exceeds the standard deviation of the short period and vice versa. Based on the above analysis, it is better to use BH strategy when the price increases or is stable However, generated moving average trading rules are better than BH strategy when crude oil futures price decreases With respect to the moving average calculation method, it is advocated to use TPMA when price falls with significant fluctuations and AMA when price falls smoothly, although TPMA is not a popular method overall We propose variable moving average trading rules generated by training processes rather than static moving average trading rules in the crude oil futures markets. Conflict of Interests. The authors declare that there is no conflict of in terests regarding the publication of this paper. Authors Contribution. Model design was done by Haizhong An, Lijun Wang, and Xuan Huang, program development and experiments performance were done by Xiaojia Liu and Lijun Wang, data analysis was done by Haizhong An, Xiaohua Xia, and Xiaoqi Sun, paper composition was done by Lijun Wang, Xiaohua Xia, and Xiaojia Liu, and literature retrieval and manuscript editing were done by Xiaojia Liu, Xuan Huang, and Xiaoqi Sun. This research was partly supported by the NSFC China Grant no 71173199 and Humanities and the Social Sciences planning funds project under the Ministry of Education of the PRC Grant no 10YJA630001 The authors would like to acknowledge valuable suggestions from Wei Fang, Xiaoliang Jia, and Qier An. Z M Chen and G Q Chen, Demand-driven energy requirement of world economy 2007 a multi-region input-output network simulation, Communications in Nonlinear Science and Numerical Simulation vol 18, no 7, pp 1757 1774, 2013 View at Publisher View at Google Scholar. G Wu, L - C Liu, and Y - M Wei, Comparison of China s oil import risk results based on portfolio theory and a diversification index approach, Energy Policy vol 37, no 9, pp 3557 3565, 2009 View at Publisher View at Google Scholar View at Scopus. X H Xia, G T Huang, G Q Chen, B Zhang, Z M Chen, and Q Yang, Energy security, efficiency and carbon emission of Chinese industry, Energy Policy vol 39, no 6, pp 3520 3528, 2011 View at Publisher View at Google Scholar View at Scopus. X H Xia and G Q Chen, Energy abatement in Chinese industry cost evaluation of regulation strategies and allocation alternatives, Energy Policy vol 45, pp 449 458, 2012 View at Publisher View at Google Scholar. N Cui, Y Lei, and W Fang, Design and impact estimation of a reform program of China s tax and fee policies for low-grade oil and gas resources, Petroleum Science vol 8, no 4, pp 515 526, 2011 View at Publisher View at Google Scholar View at Scopus. Y L Lei, N Cui, and D Y Pan, Economic and s ocial effects analysis of mineral development in China and policy implications, Resources Policy vol 38, pp 448 457, 2013 View at Publisher View at Google Scholar. Z M Chen and G Q Chen, An overview of energy consumption of the globalized world economy, Energy Policy vol 39, no 10, pp 5920 5928, 2011 View at Publisher View at Google Scholar View at Scopus. N Nomikos and K Andriosopoulos, Modelling energy spot prices empirical evidence from NYMEX, Energy Economics vol 34, no 4, pp 1153 1169, 2012 View at Publisher View at Google Scholar. G B Ning, Z J Zhen, P Wang, Y Li, and H X Yin, Economic analysis on value chain of taxi fleet with battery-swapping mode using multiobjective genetic algorithm, Mathematical Problems in Engineering vol 2012, Article ID 175912, 15 pages, 2012 View at Publisher View at Google Scholar. S Chai, Y B Li, J Wang, and C Wu, A genetic algorithm for task scheduling on NoC using FDH cross efficiency, Mathematical Problems in Engineering vol 2013, Article ID 708495, 16 pages, 2013 View at Publisher View at Google Scholar. G Q Chen and B Chen, Resource analysis of the Chinese society 1980 2002 based on exergy Part 1 fossil fuels and energy minerals, Energy Policy vol 35, no 4, pp 2038 2050, 2007 View at Publisher View at Google Scholar View at Scopus. Z Chen, G Chen, X Xia, and S Xu, Global network of embodied water flow by systems input-output simulation, Frontiers of Earth Science vol 6, no 3, pp 331 344, 2012 View at Publisher View at Google Scholar. Z M Chen and G Q Chen, Embodied carbon dioxide emission at supra-national scale a coalition analysis for G7, BRIC, and the rest of the world, Energy Policy vol 39, no 5, pp 2899 2909, 2011 View at Publisher View at Google Scholar View at Scopus. H Z An, X - Y Gao, W Fang, X Huang, and Y H Ding, The role of fluctuating modes of autocorrelation in crude oil prices, Physica A vol 393, pp 382 390, 2014 View at Publisher View at Google Scholar. X - Y Gao, H - Z An, H - H Liu, and Y - H Ding, Analysis on the topologi cal properties of the linkage complex network between crude oil future price and spot price, Acta Physica Sinica vol 60, no 6, Article ID 068902, 2011 View at Google Scholar View at Scopus. X - Y Gao, H Z An, and W Fang, Research on fluctuation of bivariate correlation of time series based on complex networks theory, Acta Physica Sinica vol 61, no 9, Article ID 098902, 2012 View at Publisher View at Google Scholar. S Yu and Y - M Wei, Prediction of China s coal production-environmental pollution based on a hybrid genetic algorithm-system dynamics model, Energy Policy vol 42, pp 521 529, 2012 View at Publisher View at Google Scholar View at Scopus. S Geisendorf, Internal selection and market selection in economic genetic algorithms, Journal of Evolutionary Economics vol 21, no 5, pp 817 841, 2011 View at Publisher View at Google Scholar View at Scopus. R Tehrani and F Khodayar, A hybrid optimized artificial intelligent model to forecast crude oil using genetic algorithm, African Journal of Bu siness Management vol 5, pp 13130 13135, 2011 View at Google Scholar. A M Elaiw, X Xia, and A M Shehata, Minimization of fuel costs and gaseous emissions of electric power generation by model predictive control, Mathematical Problems in Engineering vol 2013, Article ID 906958, 15 pages, 2013 View at Publisher View at Google Scholar View at MathSciNet. L Mendes, P Godinho, and J Dias, A Forex trading system based on a genetic algorithm, Journal of Heuristics vol 18, no 4, pp 627 656, 2012 View at Publisher View at Google Scholar. M C Roberts, Technical analysis and genetic programming constructing and testing a commodity portfolio, Journal of Futures Markets vol 25, no 7, pp 643 660, 2005 View at Publisher View at Google Scholar View at Scopus. J - Y Potvin, P Soriano, and V Maxime, Generating trading rules on the stock markets with genetic programming, Computers and Operations Research vol 31, no 7, pp 1033 1047, 2004 View at Publisher View at Google Scholar View at Scopus. A Esfahanipour an d S Mousavi, A genetic programming model to generate risk-adjusted technical trading rules in stock markets, Expert Systems with Applications vol 38, no 7, pp 8438 8445, 2011 View at Publisher View at Google Scholar View at Scopus. M A H Dempster, T W Payne, Y Romahi, and G W P Thompson, Computational learning techniques for intraday FX trading using popular technical indicators, IEEE Transactions on Neural Networks vol 12, no 4, pp 744 754, 2001 View at Publisher View at Google Scholar View at Scopus. T Nakashima, Y Yokota, Y Shoji, and H Ishibuchi, A genetic approach to the design of autonomous agents for futures trading, Artificial Life and Robotics vol 11, no 2, pp 145 148, 2007 View at Publisher View at Google Scholar View at Scopus. A Ghandar, Z Michalewicz, M Schmidt, T - D To, and R Zurbrugg, Computational intelligence for evolving trading rules, IEEE Transactions on Evolutionary Computation vol 13, no 1, pp 71 86, 2009 View at Publisher View at Google Scholar View at Scopus. W L Tu ng and C Quek, Financial volatility trading using a self-organising neural-fuzzy semantic network and option straddle-based approach, Expert Systems with Applications vol 38, no 5, pp 4668 4688, 2011 View at Publisher View at Google Scholar View at Scopus. C - H Cheng, T - L Chen, and L - Y Wei, A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting, Information Sciences vol 180, no 9, pp 1610 1629, 2010 View at Publisher View at Google Scholar View at Scopus. P - C Chang, C - Y Fan, and J - L Lin, Trend discovery in financial time series data using a case based fuzzy decision tree, Expert Systems with Applications vol 38, no 5, pp 6070 6080, 2011 View at Publisher View at Google Scholar View at Scopus. G A Vasilakis, K A Theofilatos, E F Georgopoulos, A Karathanasopoulos, and S D Likothanassis, A genetic programming approach for EUR USD exchange rate forecasting and trading, Computational Economics vol 42, no 4, pp 415 431, 2013 View at Publisher View at G oogle Scholar. I A Boboc and M C Dinica, An algorithm for testing the efficient market hypothesis, PLoS ONE vol 8, no 10, Article ID e78177, 2013 View at Publisher View at Google Scholar. W Cheung, K S K Lam, and H F Yeung, Intertemporal profitability and the stability of technical analysis evidences from the Hong Kong stock exchange, Applied Economics vol 43, no 15, pp 1945 1963, 2011 View at Publisher View at Google Scholar View at Scopus. H Dewachter and M Lyrio, The economic value of technical trading rules a nonparametric utility-based approach, International Journal of Finance and Economics vol 10, no 1, pp 41 62, 2005 View at Publisher View at Google Scholar View at Scopus. A Fern ndez-P rez, F Fern ndez-Rodr guez, and S Sosvilla-Rivero, Exploiting trends in the foreign exchange markets, Applied Economics Letters vol 19, no 6, pp 591 597, 2012 View at Publisher View at Google Scholar View at Scopus. M Metghalchia, J Marcucci, and Y - H Chang, Are moving average trading rules profitabl e Evidence from the European stock markets, Applied Economics vol 44, no 12, pp 1539 1559, 2012 View at Publisher View at Google Scholar View at Scopus. C J Neely, P A Weller, and J M Ulrich, The adaptive markets hypothesis evidence from the foreign exchange market, Journal of Financial and Quantitative Analysis vol 44, no 2, pp 467 488, 2009 View at Publisher View at Google Scholar View at Scopus. W E Shambora and R Rossiter, Are there exploitable inefficiencies in the futures market for oil Energy Economics vol 29, no 1, pp 18 27, 2007 View at Publisher View at Google Scholar View at Scopus. F Allen and R Karjalainen, Using genetic algorithms to find technical trading rules, Journal of Financial Economics vol 51, no 2, pp 245 271, 1999 View at Google Scholar View at Scopus. J Wang, Trading and hedging in S P 500 spot and futures markets using genetic programming, Journal of Futures Markets vol 20, no 10, pp 911 942, 2000 View at Google Scholar View at Scopus. J How, M Ling, and P Verhoeve n, Does size matter A genetic programming approach to technical trading, Quantitative Finance vol 10, no 2, pp 131 140, 2010 View at Publisher View at Google Scholar View at MathSciNet. F Wang, P L H Yu, and D W Cheung, Combining technical trading rules using particle swarm optimization, Expert Systems with Applications vol 41, no 6, pp 3016 3026, 2014 View at Publisher View at Google Scholar. J Andrada-F lix and F Fern ndez-Rodr guez, Improving moving average trading rules with boosting and statistical learning methods, Journal of Forecasting vol 27, no 5, pp 433 449, 2008 View at Publisher View at Google Scholar View at MathSciNet View at Scopus. T T - L Chong and W - K Ng, Technical analysis and the London stock exchange testing the MACD and RSI rules using the FT30, Applied Economics Letters vol 15, no 14, pp 1111 1114, 2008 View at Publisher View at Google Scholar View at Scopus. I Cialenco and A Protopapadakis, Do technical trading profits remain in the foreign exchange market Evidence from 14 currencies, Journal of International Financial Markets, Institutions and Money vol 21, no 2, pp 176 206, 2011 View at Publisher View at Google Scholar View at Scopus. A E Milionis and E Papanagiotou, Decomposing the predictive performance of the moving average trading rule of technical analysis the contribution of linear and non-linear dependencies in stock returns, Journal of Applied Statistics vol 40, no 11, pp 2480 2494, 2013 View at Publisher View at Google Scholar. Y S Ni, J T Lee, and Y C Liao, Do variable length moving average trading rules matter during a financial crisis period Applied Economics Letters vol 20, no 2, pp 135 141, 2013 View at Publisher View at Google Scholar. V Pavlov and S Hurn, Testing the profitability of moving-average rules as a portfolio selection strategy, Pacific-Basin Finance Journal vol 20, no 5, pp 825 842, 2012 View at Publisher View at Google Scholar. C Chiarella, X - Z He, and C Hommes, A dynamic analysis of moving average rules, Journal of Ec onomic Dynamics Control vol 30, no 9-10, pp 1729 1753, 2006 View at Publisher View at Google Scholar View at Zentralblatt MATH View at MathSciNet. X - Z He and M Zheng, Dynamics of moving average rules in a continuous-time financial market model, Journal of Economic Behavior and Organization vol 76, no 3, pp 615 634, 2010 View at Publisher View at Google Scholar View at Scopus. C Neely, P Weller, and R Dittmar, Is Technical Analysis in the Foreign Exchange Market Profitable A Genetic Programming Approach Cambridge University Press, 1997.