نظام التداول الآلي الفوركس باستخدام التكيف التعزيز التكيفي

نظام تداول الفوركس الآلي باستخدام التعلم التعزيز التكيفي.

تقدم هذه الورقة التعلم التعزيز التكيفي (أرل) كأساس لتطبيق نظام التداول الآلي بالكامل. تم تصميم هذا النظام لتداول أسواق الصرف الأجنبي ويعتمد على بنية الطبقات تتكون من خوارزمية التعلم الآلي، وتراكب إدارة المخاطر وديناميكية الاستفادة المثلى طبقة. وقد تم اختيار طريقة التعلم الآلي الحالية تسمى التعلم التعزيز المتكرر (رل) كخوارزمية أساسية ل أرل. واحدة من نقاط القوة في نهجنا هو أن طبقة التحسين الديناميكي يجعل اختيار ثابت من المعلمات ضبط نموذج لا لزوم لها. كما أنه يسمح للمفاضلة بين المخاطر والعائد أن يقوم بها المستخدم داخل النظام. نظام التداول قادر على تحقيق مكاسب متسقة خارج العينة مع تجنب السحب الكبير.

اختر خيارا لتحديد موقع / الوصول إلى هذه المقالة:

تحقق مما إذا كان لديك حق الوصول من خلال بيانات اعتماد تسجيل الدخول أو مؤسستك.

عتبة المتكرر نموذج التعلم التعزيز للتجارة الآلي.

ديتمار مارينجر تيكيش رامتوهول.

تقدم هذه الورقة نموذج التعلم التعزيز المتكرر عتبة (ترل) ويصف تطبيقه في نظام التداول الآلي بسيطة. و ترل هو امتداد تبديل النظام لخوارزمية التعلم التعزيز المتكرر (رل). تم اقتراح نموذج رل الأساسي من قبل مودي و وو (1997) واستخدمت للكشف عن استراتيجيات التداول. ونجادل بأن رل ليست مجهزة بما فيه الكفاية للقبض على غير الخطية والفواصل الهيكلية الموجودة في البيانات المالية، واقتراح نموذج ترل كخوارزمية أكثر ملاءمة لهذه البيئات. وتعطي هذه الورقة وصفا تفصيليا للمفهوم الضريبي للمخاطر، وتقارن أدائها مع نموذج النموذج رل الأساسي في إطار تداول آلي بسيط باستخدام بيانات يومية من أربعة مؤشرات أوروبية معروفة. نحن نفترض إعداد الاحتكاك واستخدام التقلب كمتغير مؤشر للتبديل بين الأنظمة. ونجد أن هذا السجل ينتج استراتيجيات تجارية أفضل في جميع الحالات المدروسة، ويثبت أنه أكثر ملاءمة لإيجاد هيكل في سلسلة زمنية مالية غير خطية من المعيار رل.

معاينة.

المراجع.

معلومات حقوق التأليف والنشر.

المؤلفين والانتماءات.

ديتمار مارينجر 1 تيكيش رامتوهول 1 1. ونيفرزيتات باسل باسل سويسرا.

حول هذه الورقة.

توصيات شخصية.

استشهد ورقة.

المراجع المرجعية ريس ريفوركس زوتيرو.

.BIB بيبتكس جابريف منديلي.

مشاركة الورقة.

تحميل فوري للقراءة على جميع الأجهزة التي تملكها إلى الأبد ضريبة المبيعات المحلية وشملت إذا كان ذلك ساريا.

استشهد ورقة.

المراجع المرجعية ريس ريفوركس زوتيرو.

.BIB بيبتكس جابريف منديلي.

مشاركة الورقة.

أكثر من 10 مليون وثيقة علمية في متناول يدك.

تبديل الطبعة.

&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.

تجارة ذكية من الآثار الموسمية: خوارزمية دعم القرار على أساس التعلم التعزيز.

يسلط الضوء.

وتبين لنا فرص وجود نظام تجاري قائم على المواسم في الأسواق المالية.

نحن نقدم خوارزمية دعم القرار لتصفية إشارات التداول.

وتقوم الخوارزمية على التعلم التعزيزي والشبكات العصبية.

نحن نحسن نسب المكافأة إلى المخاطر من استراتيجية الموسمية.

وقد تم توثيق المواسم والانتظام التجريبي في الأسواق المالية بشكل جيد في الأدبيات لمدة ثلاثة عقود. في حين ينبغي للمرء أن يفترض أن توثيق فرصة المراجحة يجعلها تتلاشى هناك العديد من الانتظامات التي استمرت على مر السنين. وتشمل هذه، على سبيل المثال، التحيز التصاعدي في مطلع الشهر، وأثناء عطلات التبادل، والانحراف عن إعلان اللجنة الفيدرالية للسوق المفتوحة (فومك). انتظام التداول هو بالفعل في حد ذاته استراتيجية مثيرة للاهتمام. ومع ذلك، يؤدي التداول غير المرشح إلى عمليات سحب كبيرة محتملة. في الورقة نقدم خوارزمية دعم القرار الذي يستخدم الأفكار القوية لتعزيز التعلم من أجل تحسين الفوائد الاقتصادية للاستراتيجية الموسمية الأساسية. نحن نقوم بتوثيق الأداء على مؤشرين رئيسيين للأوراق المالية.

تصنيف جيل.

اختر خيارا لتحديد موقع / الوصول إلى هذه المقالة:

تحقق مما إذا كان لديك حق الوصول من خلال بيانات اعتماد تسجيل الدخول أو مؤسستك.

تحقق من وجود هذه المقالة في مكان آخر.

دينيس إيلرس هو طالب البكالوريوس في جامعة ليبنيز في هانوفر، ألمانيا. وتشمل اهتماماته البحثية خوارزميات التعلم الآلي لاستراتيجيات التداول الذكي.

كريستيان دونيز هو أستاذ فخري في الشؤون المصرفية والمالية من جامعة جون موريس في ليفربول. وهو يعمل حاليا كمدير مخاطر في بنك سويسري خاص. وتشمل اهتماماته البحثية استراتيجيات التداول الكمي والذكاء الاصطناعي.

هانز-يورغ فون ميتنهيم هو أستاذ نظم دعم القرار في جامعة ليبنيز في هانوفر، ألمانيا. وتشمل اهتماماته البحثية أنظمة معقدة والتنبؤ.

مايكل H. بريتنر هو أستاذ لبحوث نظم المعلومات في جامعة ليبنيز في هانوفر، ألمانيا. وتشمل اهتماماته البحثية الذكاء الاصطناعي، وخاصة الشبكات العصبية الاصطناعية.

استخدام خوارزمية جينية لتحسين التعلم المتكرر لتعزيز تداول الأسهم.

جين تشانغ المؤلف ديتمار مارينجر.

تم العثور على التعلم التعزيز المتكرر (رل) لتكون تقنية التعلم الآلي ناجحة لبناء أنظمة التداول المالي. في هذه الورقة، نستخدم خوارزمية وراثية (غا) لتحسين نتائج التداول لنظام تداول الأسهم من نوع رل. ويستفيد نظام التداول المقترح من قدرة الجمعية العامة على اختيار مجموعة مثلى من المؤشرات الفنية والمؤشرات الأساسية ومؤشرات التقلب لتحسين الأداء التجاري خارج العينة. في تجربتنا، ونحن نستخدم البيانات اليومية من 180 S & أمب؛ P الأسهم (من الفترة يناير 2009 إلى أبريل 2014) لفحص ربحية واستقرار النظام التجاري غا-رل المقترح. ونجد أنه بعد تغذية المؤشرات التي اختارتها الجمعية العامة في نظام التداول في رل، يتحسن أداء التداول خارج العينة حيث يزداد عدد الشركات ذات نسبة شارب الإيجابية بشكل ملحوظ.

ملاحظات.

شكر وتقدير.

ويعترف المؤلفون بالدعم المقدم من برنامج منحة مؤسسة العلوم الوطنية السويسرية (سنسف). ويود المؤلفون أن يشكروا ثلاثة مراجعين من مؤتمر التطبيقات والابتكارات الذكاء الاصطناعي (إياي) 2013، واثنين من الحكام المجهولين، ومحرري الاقتصاد الحاسوبي لاقتراحاتهم القيمة.

المراجع.

معلومات حقوق التأليف والنشر.

المؤلفين والانتماءات.

جين تشانغ 1 المؤلف ديتمار مارينجر 1 1. كلية الاقتصاد وإدارة الأعمال جامعة بازل بازل سويسرا.

حول هذه المقالة.

توصيات شخصية.

اقتباس المقال.

المراجع المرجعية ريس ريفوركس زوتيرو.

.BIB بيبتكس جابريف منديلي.

مشاركة المقال.

الوصول غير المحدود إلى المقال الكامل التحميل الفوري تشمل ضريبة المبيعات المحلية إن وجدت.

اقتباس المقال.

المراجع المرجعية ريس ريفوركس زوتيرو.

.BIB بيبتكس جابريف منديلي.

مشاركة المقال.

أكثر من 10 مليون وثيقة علمية في متناول يدك.

تبديل الطبعة.

&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.