Intraday Høy Frekvens Forex Handel Med Adaptiv Neuro Fuzzy Slutnings Systems

Intradag høyfrekvente FX-handel med adaptive neuro-fuzzy inference-systemer Dette papiret introduserer et adaptivt neuro-fuzzy inferencesystem (ANFIS) for finansiell handel, som lærer å forutse prisbevegelser fra treningsdata som består av intradag tick-data samplet ved høy frekvens. De empiriske dataene som ble brukt i vår undersøkelse, er fem-minutters mid-price-tidsserier fra valutamarkeder. ANFIS-optimaliseringen innebærer back-testing, samt varierende antall epoker, og kombineres med en ny metode for å ta vare på volatilitet ved hjelp av en hendelsesdrevet tilnærming som tar hensyn til retningsendringer innenfor forhåndsdefinerte terskler. Resultatene viser at den foreslåtte modellen overgår standardstrategier som buy-and-hold eller lineær prognose. Hvis du opplever problemer med å laste ned en fil, må du kontrollere om du har det riktige programmet for å se det først. I tilfelle av flere problemer, les IDEAS hjelpesiden. Vær oppmerksom på at disse filene ikke er på IDEAS-siden. Vær tålmodig da filene kan være store. Siden tilgangen til dette dokumentet er begrenset, kan det være lurt å se etter en annen versjon under Beslektet forskning (lenger nedenfor) eller søke etter en annen versjon av den. Når du ber om en korreksjon, vær oppmerksom på at disse elementene håndterer: RePEc: ids: ijfmkd: v: 2: y: 2011: i: 12: p: 68-87. Se generell informasjon om hvordan du retter materiale i RePEc. For tekniske spørsmål angående dette elementet, eller for å rette opp forfatterens, tittel, abstrakt, bibliografisk eller nedlastingsinformasjon, ta kontakt: (Darren Simpson) Hvis du har skrevet dette elementet og ennå ikke er registrert hos RePEc, oppfordrer vi deg til å gjøre det her. Dette gjør det mulig å koble profilen din til dette elementet. Det tillater deg også å akseptere potensielle sitater til dette elementet som vi er usikre på. Hvis referanser mangler helt, kan du legge til dem ved hjelp av dette skjemaet. Hvis de fulle referansene viser et element som er til stede i RePEc, men systemet ikke lenker til det, kan du hjelpe med dette skjemaet. Hvis du vet om manglende elementer som citerer denne, kan du hjelpe oss med å opprette disse linkene ved å legge til de relevante referansene på samme måte som ovenfor, for hvert referanseelement. Hvis du er en registrert forfatter av dette elementet, kan du også sjekke tittelfanen i profilen din, da det kan være noen henvisninger som venter på bekreftelse. Vær oppmerksom på at rettelser kan ta noen uker å filtrere gjennom de ulike RePEc-tjenestene. Flere tjenester Følg serier, tidsskrifter, forfattere mer Ny nyhetsbrev via e-post Abonner på nye tilføyelser til RePEc Forfatterregistrering Offentlige profiler for økonomiforskere Forskjellige forskningsrangeringer i økonomi-relaterte felt Hvem var student av hvem ved hjelp av RePEc RePEc Biblio Curated articles amp papirer på ulike økonomi-emner Last opp papiret ditt for å bli oppført på RePEc og IDEAS EconAcademics Bloggaggregat for økonomiforskning Plagiering Sager av plagiering i økonomi Arbeidsmarkedspapirer RePEc arbeidspapirserier dedikert til arbeidsmarkedet Fantasy League Låt deg være i roret av en økonomi avdelingstjenester fra StL Fed Data, forskning, apps amp mer fra St. Louis Fed. Forutsigelsen av økonomiske tidsserier er en svært komplisert prosess. En første titt på økonomiske tidsserier gir inntrykk av at de er tilfeldige i naturen. Hvis sant, ville dette gjøre prognosen, og derfor handel, av en slik serie svært vanskelig. Den effektive markedshypotesen sier at dagens pris inneholder all tilgjengelig informasjon i markedet. Dette fører til forutsigbarheten for de fleste økonomiske tidsserier som et ganske kontroversielt problem. Eksperter har prognostisert og handlet med finansielle markeder i flere tiår, ved å bruke sin kunnskap og kompetanse til å gjenkjenne mønstre og tolke nåværende økonomiske data. Dette dokumentet utvider Adaptive Neuro-Fuzzy Inference System for å skape et ekspert system som kan bruke fuzzy resonnement kombinert med mønstergenkjenning evne til neurale nettverk som skal brukes i økonomisk prognose og handel. Nyheten av tilnærmingen ligger i sin anvendelse på feltet av høyfrekvent finansiering. En slik tilnærming har ikke blitt brukt så langt med høyfrekvent handel eller som en del av en automatisert handelsstrategi. Dette har produsert et eksperthandelssystem som overvinter de fysiske begrensningene til menneskelige eksperter og handelsmenn i å ta flere beslutninger med svært korte tidsintervaller. Dette betyr at systemet kan utføre spådommer og handelsbeslutninger med svært høy frekvens ved bruk av intradagdata. finansiell prediksjon, effektiv markedshypotes, neuro-fuzzy inference-system, høyfrekvent trading Abdalla Kablan, Adaptive Neuro Fuzzy Inference Systems for High Frequency Financial Trading og Forecasting, Advanced Engineering Computing og applikasjoner i vitenskap, International Conference on. vol. 00, nr. pp. 105-110, 2009, doi: 10.1109ADVCOMP.2009.23 Bruken av dynamisk optimaliserte høyfrekvente flytende gjennomsnittlige strategier for intradaghandel Dette papiret er motivert av usikkerhetsaspektet i økonomisk beslutningstaking, og hvordan kunstig intelligens og myk databehandling med dets usikkerhetsreduserende aspekter kan brukes til algoritmiske handelsapplikasjoner som handler med høy frekvens. Dette papiret presenterer et optimert høyfrekvent handelssystem som har blitt kombinert med ulike bevegelige gjennomsnitt for å produsere et hybridsystem som overgår handelssystemer som er avhengige av flytende gjennomsnitt. Papiret optimaliserer et adaptivt neuro-fuzzy inferencesystem som tar både prisen og det bevegelige gjennomsnittet som inngang, lærer å forutsi prisbevegelser fra treningsdata som består av intradagdata, dynamisk bytter mellom de beste resultatene, og utfører beslutningsprosesser når å kjøpe eller selge en bestemt valuta i høy frekvens. 1 A. Kablan (2009). Et Fuzzy Logic Momentum Analysesystem for Financial Brokerage, Prosedyrer fra International Conference on Financial Theory and Engineering. IEEEXplore, Vol 1, s. 57-62. ISBN: 978-0-7695-3949-2 2 A. Kablan (2009). Adaptive Neuro Fuzzy Systems for High Frequency Trading og Forecasting, prosedyrer av den tredje internasjonale konferansen om avansert teknologi og applikasjoner i vitenskap. IEEEXplore, Vol 1, s. 105-110. ISBN: 978-0-7695-3829-7 3 A. Kablan, WL Ng, 2010, High Frequency Trading Strategy Ved hjelp av Hilbert Transform, 6. internasjonale konferanse om nettverkskomputer og avansert Informasjonshåndtering. Vol 1, pp. 466 - 471. ISBN: 978-89-88678-26-8 4 A. Kablan, WL Ng, (2010), High Frequency Trading ved hjelp av Fuzzy Momentum Analysis, prosedyrer av IAENG 2010 International Conference of Financial Engineering ICFE), London. Vol. 1, pp. 352-357. ISBN: 978-988-17012-9-9 5 A. Kablan, WL Ng, (2011), High-Frequency Order Placement Strategies med Fuzzy Logic and Fuzzy Inference, IAENG International Journal of Computer Science , spesielt problem. 6 A. Kablan, W. L. Ng, (2011), Intradag High-Frequency Forex Trading med Adaptive Neuro-Fuzzy Inference Systems, International Journal of Financial Markets og Derivater. 7 A. Kablan. Adaptive Neuro Fuzzy Inference Systems for High Frequency Financial Trading og Forecasting. Forhandlinger om den tredje internasjonale konferansen om avansert teknologi og applikasjoner i vitenskap. 2009. 8 Banik, S et. al. (2007), Modeling kaotisk oppførsel av Dhaka Stock Market Index verdier ved hjelp av neuro-fuzzy modellen, 10. internasjonale konferanse om Computer og informasjonsteknologi 9 C. Tseng, Y. Lin. Financial Computational Intelligence. Samfunnet for beregningsøkonomi. Computing in Economics and Finance no. 42. 2005. Chang, S. S. L (1977). Bruk av fuzzy set teori til økonomi. Kybernetes 6, s. 203-207 11 Dacarogna, M. et al 2001, En introduksjon til høyfrekvensfinansiering, akademisk press 12 Dormale, AV (1997): The Power of Money, Macmillan Press, London 13 E. Boehmer (2005) Dimensjoner på utførelseskvalitet: Nylige bevis for amerikanske aksjemarkeder. Journal of Financial Economics 78, 553-582, 2005. 14 E. F. Fama. (1970) Effektive kapitalmarkeder: En gjennomgang av teori og empirisk arbeid. Journal of Finance, sider 383-417, 15. mai Grabbe, J. O. (1996): International Financial Markets, Englewood Hills, Prentice Hall Inc. 16 J. C. Bezdek, R. Krisnapuram, N. R. Pal. (1999). Fuzzy modeller og algoritmer for mønstergenkjenning og bildebehandling. Springer. 17 JM. Griffin, F. Nardari, R. Stulz. Aksjemarkedet trading og markedsforhold. NBER, Working Paper 10719, 1-48. 2004. 18 Kablan, A, WL Ng, (2011 High Frequency Trading ved hjelp av Fuzzy Momentum Analysis, Springer Engineering Letters, London. 19 Li, Y. Musilek, P og Wyard-Scott, L. Fuzzy logikk i agentbasert spilldesign. Årlig møte med uklar informasjonsprosessering 2004, vol. 2, pp734-739, 2004. 20 Lootsma, FA (1997). Fuzzy logikk for planlegging og beslutningsprosess. Springer. 21 M. Fedrizzi, W. Ostasiewicz (1993.). fuzzy modellering i økonomi. Fuzzy sett og systemer, vol. 54, Issue 3, s. 259-268, 22 Ormerod, P. (2000) Butterfly økonomi: En ny generell teori om sosial og økonomisk oppførsel. Pantheon, New York. Sang, BS Chissom. Prognoser med fuzzy tidsserier. Del II. Fuzzy Sets and Systems 62, s. 1-8, 1994 24 Roger Jang, JS ANFIS: Adaptivt nettverksbasert fuzzy inference system, IEEE Transactions on Systems, Man og Cybernetics, 23 (3) (1993) 665-685. 25 S. Chabaa og A. Zeroual. Predicting Packet Transmission Data over IP-nettverk ved hjelp av Adaptive Neuro-Fuzzy Inference Systems. Journal of Computer Science Vol. 5, 2, s. 123-130, 2009. 26 Schulmeister, S, 2009, En generell finansiell transaksjonsskatt: En kort kutt av proffene, ulemperne og et forslag, WIFO Arbeidsblad nr. 344. 27 T. Hellstrm og K. Holmstrom. Forutsi aksjemarkedet. Teknisk rapport Ima-TOM-1997-07, Senter for matematisk modellering, Institutt for matematikk og fysi, Malardalenuniversitetet, Västerås, Sverige, august 1998. 28 T. Takagi og M. Sugeno. Fuzzy identifisering av systemer og dens anvendelse til modellering og kontroll, IEEE Transaksjoner på Systems, Man og Cybernetics, Vol. 15, s. 116-132, 1985. 29 Takagi T. og Sugeno, M. Fuzzy identifikasjon av systemer og dens anvendelse på modellering og kontroll, IEEE-transaksjoner på systemer, menneske og cybernetikk, 15 (1985) 116-132. 30 Wilson, R. og Sharda, R. Konkursforutsigelse ved bruk av nevrale nettverk, Decision Support Systems, 11 (1994) 545-557. 31 Yeh, S. Landsman, W. R. Miller, B. L. Peasnell, K. V. (2011). Får investorer virkelig skitne overskudd. Regnskapsrevisjonen, 86 (1), 237-258. 32 Yoon, Y. Guimaraes, T. og Swales, G. Integrering av neurale nettverk med regelbaserte ekspertsystemer, Decision Support Systems, 11 (1994) 497-507. 33 Zadeh, L. Fuzzy sett. Informasjon og kontroll, vol. 8, s. 338-353, 1965. 34 Zadeh, L. A. Fuzzy-sett, Information Control, 8 (1965) 338-353.