Automatisierte Trading-System-Entwicklung mit MATLAB Stuart Kozola, MathWorks Möchten Sie lernen, wie man ein automatisiertes Handelssystem, das mehrere Trading-Konten, mehrere Asset-Klassen und Handel über mehrere Handelsplätze gleichzeitig behandeln können, können simultan in diesem Webinar einen Beispiel-Workflow für die Erforschung, Implementierung, Test und Bereitstellung einer automatisierten Handelsstrategie, die maximale Flexibilität in dem, was und wer Sie mit Handel. Sie erlernen, wie MATLAB Produkte für Datenerfassung, Datenanalyse und Visualisierung, Modellentwicklung und Kalibrierung, Backtesting, Walk-forward-Tests, Integration mit bestehenden Systemen und letztendlich für den Echtzeit-Handel eingesetzt werden können. Wir untersuchen die einzelnen Teile in diesem Prozess und sehen, wie MATLAB bietet eine einzige Plattform, die die effiziente Lösung aller Teile dieses Problems ermöglicht. Zu den spezifischen Themen gehören: Datenerfassungsoptionen, einschließlich täglicher historischer, Intraday - und Echtzeitdaten Modellierung und Prototyping in MATLAB Backtesting und Kalibrierung eines Modells Walk forward-Tests und Modellvalidierung Interagieren mit vorhandenen Bibliotheken und Software für die Handelsausführung Bereitstellung der endgültigen Anwendung In einer Reihe von Umgebungen, einschließlich. NET, JAVA und Excel Tools für Hochfrequenz-Handel, einschließlich Parallel-Computing, GPUs und C-Code-Generierung von MATLAB Product Focus Wählen Sie Ihr LandImproving technischen Handelssysteme mit einem neuen MATLAB-basierten genetischen Algorithmus Verfahren Aktuelle Studien an den Finanzmärkten deuten darauf hin, dass die technische Analyse ein sehr nützliches Instrument zur Vorhersage des Trends sein kann. Trading-Systeme sind weit verbreitet für die Marktbewertung aber die Parameter-Optimierung dieser Systeme hat wenig Interesse angezogen. In diesem Papier, um die potenzielle Macht des digitalen Handels zu erforschen, präsentieren wir ein neues MATLAB-Tool basierend auf genetischen Algorithmen das Werkzeug ist spezialisiert auf Parameter-Optimierung der technischen Regeln. Es nutzt die Macht der genetischen Algorithmen, um schnelle und effiziente Lösungen in echten Handelsbedingungen zu generieren. Unser Tool wurde ausführlich auf historische Daten eines UBS Fonds untersucht, der in Schwellenmärkte durch unser spezifisches technisches System getestet wurde. Die Ergebnisse zeigen, dass unser vorgeschlagenes GATradeTool die üblichen, nicht adaptiven Software-Tools hinsichtlich der Stabilität der Rückkehr und der Zeitersparnis über die gesamte Probenperiode übertrifft. Allerdings haben wir Beweise für eine mögliche Populationsgröße Wirkung in der Qualität der Lösungen. Finanzmärkte Vorhersage Genetische Algorithmen Investition Technische Regeln 1. Einleitung Todayrsquos Händler und Investmentanalysten benötigen schnelle und effiziente Werkzeuge in einem rücksichtslosen Finanzmarkt. Schlachten im Handel werden heute hauptsächlich mit Computergeschwindigkeit geführt. Die Entwicklung neuer Softwaretechnologien und das Auftreten neuer Softwareumgebungen (z. B. MATLAB) bilden die Grundlage für die Lösung schwieriger finanzieller Probleme in Echtzeit. MATLABrsquos umfangreiche integrierte mathematische und finanzielle Funktionalität, die Tatsache, dass es sich sowohl um eine interpretierte und kompilierte Programmiersprache und seine Plattform Unabhängigkeit ist es gut geeignet für die Entwicklung finanzieller Anwendungen. Beweis für die Erträge der technischen Regeln, einschließlich der Impulsstrategien (z. B. 14. 15. 16. 16. 25 xA0undxA020), die gleitenden Durchschnittsregeln und andere Handelssysteme 6. 2. 9 xA0undxA024 können die Bedeutung der technischen Analyse unterstützen. Allerdings haben die meisten dieser Studien das Problem der Parameter-Optimierung ignoriert, so dass sie offen für Kritik an Daten snooping und die Möglichkeit der Überlebens-Bias 7. 17 xA0andxA08. Traditionell verwendeten Forscher Ad-hoc-Spezifikation der Handelsregeln. Sie verwenden eine Standard-beliebte Konfiguration oder nach dem Zufallsprinzip ausprobieren ein paar verschiedene Parameter und wählen Sie die besten mit Kriterien auf der Grundlage der Rückkehr vor allem. Papadamou und Stephanides 23. implementierten eine neue MATLAB-basierte Toolbox für den computerunterstützten technischen Handel, die ein Verfahren für Parameteroptimierungsprobleme beinhaltet. Der Schwachpunkt ihrer Optimierungsprozedur ist jedoch die Zeit: Die Zielfunktion (z. B. Profit) isnrsquot eine einfache quadratische Fehlerfunktion, aber eine komplizierte (jede Optimierungsiteration durchläuft die Daten, erzeugt Handelssignale, berechnet Profite usw.). Wenn die Datensätze groß sind und Sie möchten Ihr System oft wieder zu optimieren und benötigen Sie eine Lösung so schnell wie möglich, dann versuchen alle möglichen Lösungen, um die beste wäre eine sehr mühsame Aufgabe sein. Genetische Algorithmen (GAs) sind besser geeignet, da sie stichprobenweise Zufallsrecherchen durchführen und sehr schnell auf Populationen nahezu optimaler Lösungen konvergieren. Die GA wird Ihnen einen Satz (Bevölkerung) von ldquogoodrdquo Lösungen. Analysten sind daran interessiert, ein paar gute Lösungen so schnell wie möglich anstatt die weltweit beste Lösung. Die weltweit beste Lösung existiert, aber es ist höchst unwahrscheinlich, dass sie weiterhin die beste sein wird. Das Ziel dieser Studie ist, zu zeigen, wie genetische Algorithmen, eine Klasse von Algorithmen in der evolutionären Berechnung, eingesetzt werden können, um die Leistungsfähigkeit und die Effizienz von EDV-gestützten Handelssystemen zu verbessern. Es ist nicht der Zweck, die theoretische oder empirische Begründung für die technische Analyse zu liefern. Wir zeigen unseren Ansatz in einer bestimmten Prognose auf der Basis von Schwellenmärkten. Dieses Papier ist wie folgt organisiert. Die bisherigen Arbeiten sind in Abschnitt 2 dargestellt. Der Datensatz und unsere Methodik sind in Abschnitt 3 beschrieben. Die empirischen Ergebnisse werden in Abschnitt 4 diskutiert. Die Schlussfolgerungen folgen Abschnitt 5. 2. Frühere Arbeiten Im Bereich der Informatik und der Ingenieurwissenschaften gibt es eine große Zahl von GA-Arbeiten, aber es wurden nur wenige Arbeiten in Bezug auf geschäftsbezogene Bereiche durchgeführt. In letzter Zeit gab es ein wachsendes Interesse an GA-Nutzung in der Finanzwirtschaft, aber bisher gab es wenig Forschung über automatisierte Handel. Nach unserer Kenntnis der ersten veröffentlichten Papier Verknüpfung von genetischen Algorithmen zu Investitionen von Bauer und Liepins 4. Bauer 5 in seinem Buch ldquoGenetic Algorithmen und Investment Strategiesrdquo bot praktische Anleitung darüber, wie GAs verwendet werden, um attraktive Handelsstrategien auf Basis fundamentaler Informationen zu entwickeln. Diese Techniken können leicht auf andere Arten von Informationen wie technische und makroökonomische Daten sowie vergangene Preise erweitert werden. Nach Allen und Karjalainen 1. genetischen Algorithmus ist eine geeignete Methode, um technische Handelsregeln zu entdecken. Fernaacutendez-Rodriacuteguez et al. 11 durch den Einsatz genetischer Algorithmen Optimierung in einer einfachen Handelsregel Beweise für die erfolgreiche Nutzung von GAs von der Madrider Börse. Einige andere interessierte Studien sind die von Mahfoud und Mani 18, die ein neues, auf genetischem Algorithmus basierendes System präsentierten und es auf die Aufgabe der Vorhersage der zukünftigen Leistungen einzelner Bestände durch Neely et al. 21 und von Oussaidene et al. 22, die genetisches Programm auf Devisenprognosen anwendeten und einige Erfolge verzeichneten. Eine der Komplikationen bei der GA-Optimierung besteht darin, dass der Benutzer einen Satz von Parametern wie etwa die Crossover-Rate, die Populationsgröße und die Mutationsrate definieren muss. Entsprechend De Jong 10, das genetische Algorithmen in der Funktionsoptimierung studierte, erfordert gute GA-Leistung hohe Übergangswahrscheinlichkeit (umgekehrt proportional zur Bevölkerungsgröße) und eine gemäßigte Bevölkerungsgröße. Goldberg 12 und Markellos 19 legen nahe, dass ein Satz von Parametern, der bei vielen Problemen gut funktioniert, ein Crossover-Parameter 0,6, eine Populationsgröße 30 und ein Mutationsparameter 0,0333 ist. Bauer 4 führte eine Reihe von Simulationen zu finanziellen Optimierungsproblemen durch und bestätigte die Gültigkeit der Vorschläge von Goldbergrsquos. In der vorliegenden Studie werden wir eine begrenzte Simulationsstudie durch Testen verschiedener Parameterkonfigurationen für das gewählte Handelssystem durchführen. Wir werden auch Beweise für die GA vorgeschlagen durch den Vergleich unseres Tools mit anderen Software-Tools vorgeschlagen. Automierte Trading-System-Entwicklung mit MATLAB Stuart Kozola, MathWorks Möchten Sie lernen, wie man ein automatisiertes Handelssystem, das mehrere Handelskonten, mehrere Asset-Klassen behandeln kann, und zu schaffen Handel über mehrere Handelsplätze gleichzeitig In diesem Webinar werden wir einen exemplarischen Workflow für die Erforschung, Implementierung, Prüfung und Implementierung einer automatisierten Handelsstrategie vorstellen, die maximale Flexibilität in dem, was und mit dem Sie handeln. Sie erlernen, wie MATLAB Produkte für Datenerfassung, Datenanalyse und Visualisierung, Modellentwicklung und Kalibrierung, Backtesting, Walk-forward-Tests, Integration mit bestehenden Systemen und letztendlich für den Echtzeit-Handel eingesetzt werden können. Wir untersuchen die einzelnen Teile in diesem Prozess und sehen, wie MATLAB bietet eine einzige Plattform, die die effiziente Lösung aller Teile dieses Problems ermöglicht. Zu den spezifischen Themen gehören: Datenerfassungsoptionen einschließlich täglicher historischer, Intraday - und Echtzeitdaten Modellierung und Prototyping in MATLAB Backtesting und Kalibrierung eines Modells Walk forward-Tests und Modellvalidierung Interaktion mit vorhandenen Bibliotheken und Software für die Handelsausführung Bereitstellung der endgültigen Anwendung In einer Reihe von Umgebungen, darunter. NET, JAVA und Excel Tools für Hochfrequenz-Handel, einschließlich Parallel-Computing, GPUs und C-Code-Generierung aus MATLAB Product Focus Wählen Sie Ihr Land
No comments:
Post a Comment