Intradag högfrekvent FX-handel med adaptiva neuro-fuzzy inference-system Abdalla Kablan och Wing Lon Ng Abstract: I detta dokument introduceras ett adaptivt neurofusigt inferenssystem (ANFIS) för finansiell handel, som lär sig att förutse prisförändringar från träningsdata bestående av intradag kryssa data samplad vid hög frekvens. De empiriska data som användes i vår undersökning är fem minuters mellantidsserier från valutamarknaden. ANFIS-optimeringen innefattar backtest och varierar antalet epoker och kombineras med en ny metod för att fånga volatilitet med hjälp av en händelsesdriven metod som tar hänsyn till riktningsändringar inom fördefinierade trösklar. Resultaten visar att den föreslagna modellen överträffar standardstrategier som buy-and-hold eller linjär prognos. Nedladdningar: (extern länk) indersciencelink. phpid38529 (texthtml) Tillgång till fullständig text är begränsad till abonnenter. Relaterade verk: Det här föremålet kan vara tillgängligt någon annanstans i EconPapers: Sök efter föremål med samma titel. Exportreferens: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Fler artiklar i International Journal of Financial Markets and Derivatives från Inderscience Enterprises Ltd Serie data upprätthålls av Darren Simpson (). Den här sidan är en del av RePEc och all data som visas här är en del av RePEc-datamängden. Är ditt arbete saknat från RePEc Så här bidrar du till. Frågor eller problem Kontrollera EconPapers FAQ eller skicka mail till. Användning av dynamiskt optimerade högfrekventa rörelser Genomsnittliga strategier för intradagshandling Detta dokument är motiverat av osäkerhetsaspekten i finansiell beslutsfattande och hur artificiell intelligens och mjuk databehandling med sin osäkerhet reducerande aspekter kan användas för algoritmiska handelsapplikationer som handlar i hög frekvens. I detta papper presenteras ett optimerat högfrekvent handelssystem som kombinerats med olika rörliga medelvärden för att producera ett hybridsystem som överträffar handelssystem som endast är beroende av glidande medelvärden. Papperet optimerar ett adaptivt neuro-fuzzy inference-system som tar både priset och dess rörliga medelvärde som input, lär sig att förutse prisförändringar från träningsdata som består av intradagdata, växlar dynamiskt mellan de bästa resultatliga genomsnitten och utför beslutsfattande när att köpa eller sälja en viss valuta i hög frekvens. 1 A. Kablan (2009). Ett Fuzzy Logic Momentum Analysis System för finansiell mäklare, förfaranden vid den internationella konferensen om finansiell teori och teknik. IEEEXplore, vol 1, sid 57-62. ISBN: 978-0-7695-3949-2 2 A. Kablan (2009). Adaptive Neuro Fuzzy Systems för högfrekvenshandel och prognoser, förfaranden vid den tredje internationella konferensen om avancerad teknisk databehandling och tillämpningar inom vetenskap. IEEEXplore, Vol 1, sid 105 - 110. ISBN: 978-0-7695-3829-7 3 A. Kablan, WL Ng, 2010 (2010), strategi för högfrekvenshandel med Hilbert Transform, 6: e internationella konferensen om nätverksdator och avancerad Informationshantering. Vol 1, sid 466 - 471. ISBN: 978-89-88678-26-8 4 A. Kablan, WL Ng, (2010), High Frequency Trading med hjälp av Fuzzy Momentum Analysis, förfaranden vid IAENG 2010 International Conference of Financial Engineering ICFE), London. Vol 1, sid 352-357. ISBN: 978-988-17012-9-9 5 A. Kablan, WL Ng, (2011), Frekvensordningsplaceringsstrategier med Fuzzy Logic och Fuzzy Inference, IAENG International Journal of Computer Science , speciell fråga. 6 A. Kablan, W. L. Ng, (2011), Intradag High Frequency Forex Trading med Adaptive Neuro-Fuzzy Inference Systems, International Journal of Financial Markets and Derivatives. 7 A. Kablan. Adaptive Neuro Fuzzy Inference Systems för högfrekvent finansiell handel och prognoser. Förlopp av den tredje internationella konferensen om avancerad teknisk databehandling och tillämpningar inom vetenskap. 2009. 8 Banik, S et. al. (2007), Modellering av kaotiskt beteende hos Dhaka Stock Market Index-värden med hjälp av den neuro-fuzzy modellen, 10: e internationella konferensen om dator och informationsteknik 9 C. Tseng, Y. Lin. Financial Computational Intelligence. Samhälle för beräkningsekonomi. Dator i ekonomi och finans nr. 42. 2005. 10 Chang, S. S. L (1977). Tillämpning av fuzzy set teori till ekonomi. Kybernetes 6, sid 203-207 11 Dacarogna, M. et al 2001, En introduktion till högfrekvensfinansiering, akademisk press 12 Dormale, AV (1997): Power of Money, Macmillan Press, London 13 E. Boehmer (2005) Mått på exekveringskvalitet: Nya bevis för amerikanska aktiemarknader. Journal of Financial Economics 78, 553-582, 2005. 14 E. F. Fama. (1970) Effektiva kapitalmarknader: En översyn av teori och empiriskt arbete. Journal of Finance, sidorna 383-417, 15 maj Grabbe, J. O. (1996): International Financial Markets, Englewood Hills, Prentice Hall Inc. 16 J. C. Bezdek, R. Krisnapuram, N. R. Pal. (1999). Fuzzy modeller och algoritmer för mönsterigenkänning och bildbehandling. Springer. 17 JM. Griffin, F. Nardari, R. Stulz. Börshandel och marknadsförhållanden. NBER, Working Paper 10719, 1-48. 2004. 18 Kablan, A, WL Ng, (2011 High Frequency Trading med Fuzzy Momentum Analysis, Springer Engineering Letters, London. 19 Li, Y. Musilek, P och Wyard-Scott, L. Fuzzy logik i agentbaserad speldesign. Årligt möte med fuzzy information processing 2004, vol 2, pp734-739, 2004. 20 Lootsma, FA (1997). Fuzzy logik för planering och beslutsfattande. Springer. 21 M. Fedrizzi, W. Ostasiewicz (1993.). fuzzy modellering i ekonomi. Fuzzy uppsättningar och system, volym 54, Issue 3, s. 259-268, 22 Ormerod, P. (2000) Fjärilekonomi: En ny allmän teori om socialt och ekonomiskt beteende. Pantheon, New York. Sång, BS Chissom. Prognoser inskrivningar med fuzzy time-series. Del II. Fuzzy Sets and Systems 62, s. 1-8, 1994 24 Roger Jang, JS ANFIS: Adaptivt nätverksbaserat fuzzy inference system, IEEE Transactions on Systems, Man och Cybernetics, 23 (3) (1993) 665-685. 25 S. Chabaa och A. Zeroual. Predicting Packet Transmission Data via IP-nätverk med Adaptive Neuro-Fuzzy Inferenssystem. Journal of Computer Science Vol. 5, 2, s. 123-130, 2009. 26 Schulmeister, S, 2009, En Allmänt Finansiell Transaktionsskatt: En Kort Beslut av Proffsen, Nackdelarna och ett Förslag, WIFO Arbetspapper nr 344. 27 T. Hellstrm och K. Holmstrom. Förutsägande aktiemarknaden. Teknisk rapport Ima-TOM-1997-07, Centrum för matematisk modellering, Institutionen för matematik och fysik, Malardalenuniversitetet, Västerås, Sverige, augusti 1998. 28 T. Takagi och M. Sugeno. Fuzzy identifiering av system och dess tillämpning på modellering och kontroll, IEEE Transactions on Systems, Man och Cybernetics, Vol. 15, sid 116-132, 1985. 29 Takagi T. och Sugeno, M. Fuzzy identifiering av system och dess tillämpning på modellering och kontroll, IEEE Transactions on Systems, Man och Cybernetics, 15 (1985) 116-132. 30 Wilson, R. och Sharda, R. Konkursförutsägande med användning av neurala nätverk, Decision Support Systems, 11 (1994) 545-557. 31 Yeh, S. Landsman, W. R. Miller, B. L. Peasnell, K. V. (2011). Känner investerare väldigt smutsigt överskott. Bokföringsgranskningen, 86 (1), 237-258. 32 Yoon, Y. Guimaraes, T. och Swales, G. Integrering av neurala nätverk med regelbaserade expertsystem, Decision Support Systems, 11 (1994) 497-507. 33 Zadeh, L. Fuzzy uppsättningar. Information och kontroll, vol. 8, sid 338-353, 1965. 34 Zadeh, L. A. Fuzzy sets, Information Control, 8 (1965) 338-353.Slideshare använder cookies för att förbättra funktionalitet och prestanda och förse dig med relevant reklam. Om du fortsätter att surfa på webbplatsen godkänner du användningen av cookies på denna webbplats. Se vår användaravtal och sekretesspolicy. Slideshare använder cookies för att förbättra funktionalitet och prestanda, och att ge dig relevant reklam. Om du fortsätter att surfa på webbplatsen godkänner du användningen av cookies på denna webbplats. Se vår sekretesspolicy och användaravtal för detaljer. Utforska alla dina favoritämnen i SlideShare-appen Få SlideShare-appen att spara till senare, även offline Fortsätt till mobilsidan Ladda upp Logga in Registrera dig Dubbelklicka för att zooma ut Adaptive-Neuro-Fuzzy-Inference-System-for-Financial-Trading-using - Intradag-Seasonality-Observation-Model Dela denna SlideShare LinkedIn Corporation kopiera 2017
No comments:
Post a Comment