Pair Trading Strategi Journal

TIJs Forskning Journal of Social Science Management - RJSSM The International Journal Forskning Publikasjoner Forskning Journal of Social Science Management-RJSSM er fremmet med ISSN utstedt av National Library, Singapore. Visjonen er å oppmuntre forskningsbrorskapen til å dele sin kunnskap og publisere et verdifullt arbeid på nettet, og dermed få en harmoni mellom forskningsmiljøet. Denne journalen er bare et første skritt, og fremover kan du se etter mange flere tidsskrifter, som vil bli lansert med det eneste målet å betjene det kunnskaps samfunnet som er involvert i forskning. Tijs Forskningsjournaler er oppført i International Directory like. Ulrichs Periodicals Directory (en ProQuest Co.), Index Copernixus, Vitenskapelig Journal Impact Factor, Google Scholar, Open J-Gate. og mange andre populære kataloger for bedre citation og effektfaktor. Også i prosessen med notering i Thomson Reuters, Scopus liker kataloger. Det vil bli høyt verdsatt hvis du kan videresende denne invitasjonen over kollegerne dine venner og be om flere registreringsinnlegg, noe som kan hjelpe mest, siden vi har en bedre rekkevidde på tvers av kontinenter og blir tilgjengelig av leserne globalt og notat, vil journalen sette inn problemene (elektronisk format) i National Library, Singapore. Alternativt kan du sende potensiell forfatteres e-postadresse til Redaktør eller Klikk her for å sende denne siden til en venn Klikk her for å besøke våre andre tidsskrifter Vol 6, nr. 10 (2017): 1. februar 2017 Tijs Forskningsjournaler er oppført i International Directory like . Ulrichs Periodicals Directory (en ProQuest Co.), Index Copernixus, Vitenskapelig Journal Impact Factor, Google Scholar, Open J-Gate. og mange andre populære kataloger for bedre citation og effektfaktor. Også i prosessen med notering i Thomson Reuters, Scopus liker kataloger. For å laste ned coverpagewrapper-filen 1) høyreklikk på bildet, 2) velg lagre bilde som og 3) velg ønsket lokal mappe. Topp 5 Populære handelsstrategier Denne artikkelen vil vise deg noen av de vanligste handelsstrategiene, og også hvordan du kan analyser fordelene og ulemperne til hver og en for å bestemme det beste for din personlige handelsstil. De fem toppstrategiene vi vil dekke er som følger: Breakouts er en av de vanligste teknikkene som brukes i markedet for handel. De består av å identifisere et nøkkelprisnivå og deretter kjøpe eller selge som prisen bryter det forhåndsbestemte nivået. Forventningen er at hvis prisen har nok kraft til å bryte nivået, vil det fortsette å bevege seg i den retningen. Konseptet med en breakout er relativt enkelt og krever en moderat forståelse av støtte og motstand. Når markedet trender og beveger seg sterkt i en retning, sikrer breakout trading at du aldri går glipp av flytten. Generelt brudd er brukt når markedet allerede er på eller i nærheten av den ekstremt høye nedgangen i den siste tiden. Forventningen er at prisen vil fortsette å bevege seg med trenden og faktisk bryte ekstremt høyt og fortsette. Med dette i tankene, for å effektivt ta handelen, trenger vi bare å legge inn en ordre rett over det høye eller like under det lave, slik at handelen automatisk kommer inn når prisen beveger seg. Disse kalles grenseordrer. Det er veldig viktig å unngå handelsbrudd når markedet ikke trender, fordi dette vil resultere i falske handler som medfører tap. Årsaken til tapene er at markedet ikke har fart for å fortsette bevegelsen utover de ekstreme høyder og nedturer. Når prisen treffer disse områdene, faller den vanligvis da tilbake i forrige rekkefølge, noe som resulterer i tap for handelsmenn som prøver å holde seg i retning av bevegelsen. Retracements Retracements krever et litt annet ferdighetssett og dreier seg om handelsmannen som identifiserer en klar retning for at prisen skal bevege seg inn og være trygg på at prisen vil fortsette å bevege seg inn. Denne strategien er basert på det faktum at etter hvert trekk i den forventede retningen, Prisen vil midlertidig reversere som handelsmenn tar fortjeneste og nybegynnere deltar forsøk på å handle i motsatt retning. Disse pullbacks eller retracements tilbyr faktisk profesjonelle handelsfolk med en mye bedre pris å komme inn i den opprinnelige retning like før fortsettelsen av flyttingen. Ved handel med omskoling blir også støtte og motstand brukt, som med break outs. Fundamentalanalyse er også avgjørende for denne typen handel. Når det første trekket har skjedd, vil handelsmenn være oppmerksomme på de ulike prisnivåene som allerede er overtrådt i det opprinnelige trekket. De legger særlig vekt på viktige nivåer av støtte og motstand og områder på prisdiagrammet som 00 nivåer. Dette er nivåene de vil se på å kjøpe eller selge fra senere. Retracements brukes kun av handelsmenn i tider når kortsiktige følelser endres av økonomiske hendelser og nyheter. Denne nyheten kan forårsake midlertidige sjokk på markedet, noe som resulterer i disse tilbakekallingene mot retningen til det opprinnelige trekket. De første grunnene til flyttingen kan fortsatt være på plass, men kortsiktige hendelser kan føre til at investorer blir nervøse og tar fortjeneste, noe som igjen fører til retracement. Fordi de opprinnelige forholdene forblir dette, tilbyr andre profesjonelle investorer muligheten til å komme tilbake til flyturen til en bedre pris, som de ofte gjør. Retracement trading er generelt ineffektiv når det ikke er noen klare grunnleggende grunner for flyttingen i utgangspunktet. Derfor, hvis du ser et stort trekk, men ikke kan identifisere en klar grunnleggende grunn til dette trekket, kan retningen endres raskt, og det som synes å være en retracement, kan faktisk vise seg å være et nytt trekk i motsatt retning. Dette vil resultere i tap for alle som forsøker å handle i tråd med den opprinnelige flyttingen Intelligence and Neuroscience 1 Institutt for datavitenskap og informasjonsteknologi, National University of Kaohsiung, Kaohsiung 811, Taiwan 2 Institutt for elektroteknikk, Chiayi-universitetet i Chiayi 60004 , Taiwan Mottatt 21. desember 2014 Omarbeidet 6. mars 2015 Godkalt 14. mars 2015 Akademisk redaktør: Rahib H. Abiyev Opphavsrettslig hilsen 2015 Chien-Feng Huang et al. Dette er en åpen tilgangsartikel distribuert under Creative Commons Attribution License. som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt at det opprinnelige arbeidet er korrekt sitert. Parhandel er et viktig og utfordrende forskningsområde i beregningsfinansiering, hvor parvis aksjer kjøpes og selges i parkombinasjoner for arbitrasjemuligheter. Tradisjonelle metoder som løser dette settet av problemer, er mest avhengige av statistiske metoder som regresjon. I motsetning til de statistiske tilnærmingene fører de siste fremskrittene i beregningsunderretning (CI) til lovende muligheter for å løse problemer i de finansielle applikasjonene mer effektivt. I dette papiret presenterer vi en ny metode for parhandel med genetiske algoritmer (GA). Våre resultater viste at de GA-baserte modellene er i stand til å vesentlig overstige referanseindeksen, og vår foreslåtte metode er i stand til å generere robuste modeller for å takle de dynamiske egenskapene i den studerte økonomiske applikasjonen. Basert på de lovende resultatene som er oppnådd, forventer vi denne GA-baserte metoden for å fremme forskningen i beregningsunderretning for økonomi og gi en effektiv løsning til par som handler for investering i praksis. 1. Innledning I de siste tiårene, på grunn av ineffektivitet av tradisjonelle statistiske tilnærminger, som regresjonsbaserte og faktoranalysemetoder for å løse vanskelige økonomiske problemer, er metodene som kommer fra beregningsunderretning, inkludert fuzzy teori, kunstige nevrale nettverk (ANN), støttevektormaskiner (SVM) og evolusjonære algoritmer (EA), er blitt utviklet som mer effektive alternativer for å løse problemene i det finansielle området 1. 2. Blant de CI-baserte teknikkene som studeres for økonomi, kan modellene bli klassifisert som to hovedområder av applikasjoner: (1) aksjeselskap, porteføljestyring og optimalisering 3 6 og (2) prediksjon av finansielle tidsserier 7. 8. For den første kategorien inkluderer tidligere forskningsarbeid beslutningsprosessanalysen for fuzzy multiple attribute for porteføljebygging 9. Zargham og Sayeh 10 ansatt et uklar regelbasert system for å evaluere et sett med aksjer for samme oppgave. Chapados og Bengio 11 trente neurale nettverk for estimering og forutsigelse av aktivitetsadferd for å legge til rette for beslutningstaking i kapitalfordeling. I EA-søknader langs denne forskningen, Becker et al. 12 ansatt genetisk programmering (GP) for å utvikle aksjerangeringsmodeller for det amerikanske markedet. Lai et al. 13 brukte en dobbelt-trinns GA for å velge aksjer fra børsen i Shanghai for perioden 2001-2004. I Lai et al. Er ROCE, EPS, PE og likviditetsforholdene brukt til å rangere aksjer, og de brukte GA til å beregne den optimale prosentdelen av kapitalen som ble tildelt hver av eiendelene. Lai et al. da konkluderte med at deres GA-baserte optimaliseringsmetode er mer effektiv for finansielle applikasjoner enn fuzzy eller kunstige nevrale nettverk. Nylig utarbeidet Huang 5 en hybrid maskin læringsbasert modell for å identifisere lovende sett med funksjoner og optimale modellparametere. Huangs modell ble vist å være mer effektiv enn referansen og noen tradisjonelle statistiske metoder for aksjeseleksjon. For å forbedre ytelsen til de enkelt-objektive GA-baserte modellene, har nylig Chen et al. 14 foreslo en multiobjektiv GA-basert metode for å øke investeringsavkastningen og redusere risikoen samtidig. I denne tilnærmingen brukte forfatterne den nondominerte sorteringen for å søke etter ikke-dominerte løsninger, og viste at den multobjektive metoden utgjorde den enkle objektive versjonen som ble foreslått av Huang 5. En annen populær studie av beregningsmessig intelligens har vært spesielt knyttet til prediksjonen av økonomiske tidsserier. En viss mengde forskning utnytter nettverksinnlæringsteknikker, inkludert feed-forward, radial basisfunksjon eller tilbakevendende NN 7 og SVM 8. Andre intelligente metoder, som for eksempel genetisk utviklede regresjonsmodeller 15 og inductive fuzzy inference-systemer 16, var også tilgjengelige i litteraturen. Parhandel 17 er et viktig forskningsområde for beregningsfinansiering som vanligvis bygger på tidsseriedata på aksjekurs for investeringer, hvor aksjer er kjøpt og solgt i par for arbitrasjemuligheter. Det er en kjent spekulativ strategi i finansmarkedene utviklet på 1980-tallet, og har vært ansatt som et viktig longshort kapitalinvesteringsverktøy av hedgefond og institusjonelle investorer 18. Selv om det har vært en betydelig mengde CI-baserte studier i finansielle applikasjoner, er rapportert CI-basert forskning for parhandel sparsom og mangler seriøs analyse. Til dags dato er mange eksisterende arbeider langs denne forskningslinjen avhengig av tradisjonelle statistiske metoder, for eksempel kointegreringsmetoden 19, Kalman filtrene 20. 21, og prinsippkomponentanalysen 18. I CI-området, Thomaidis et al. 17 ansatt en metode for neurale nettverk for de parrede selskapene i Infosys og Wipro i India og oppnådde rimelig avkastning på investeringene ved hjelp av lagrene. Saks og Maringer 22 brukte genetisk programmering for ulike aksjer i Eurostoxx 50 aksjer og fant også gode parhandelsstrategier. Selv om det eksisterte disse tidligere CI-baserte studiene for parhandel, manglet de seriøs analyse, for eksempel metoden for temporal validering brukt i 5. 23 for videre evaluering av robustheten i handelssystemene. I tillegg i disse tidligere studiene ble handelsmodellene konstruert ved å bruke bare to aksjer som handelspar her, og vi foreslår en generalisert tilnærming som bruker mer enn to aksjer som handelsgruppe for arbitrage for å forbedre ytelsen til modellene ytterligere . I denne studien benytter vi også GA for optimaliseringsproblemer i våre foreslåtte arbitrage-modeller. I en tidligere studie 23, Huang et al. sammenlignet den tradisjonelle lineære regresjonen og GA for oppgaven med aksjeseleksjon og viste at den GA-baserte modellen er i stand til å overgå den lineære regresjonsmodellen. Motivert av dette forskningsprosjektet, har vi derfor til hensikt å ansette GA for å optimalisere vårt intelligente system for parhandel, og de eksperimentelle resultatene viser at vår foreslåtte GA-baserte metode lover å overgå benchmark. Videre viser vi, i motsetning til tradisjonelle parhandelsmetoder som retter seg mot tilsvarende lagre med lignende egenskaper, at vi også kan konstruere arbeidshandelsmodeller for aksjer med forskjellige egenskaper. I denne undersøkelsen undersøker vi også robustheten i vår foreslåtte metode, og resultatene viser at metoden vår faktisk er effektiv til å generere robuste modeller for det dynamiske miljøet i parhandelsproblemet. Dette papiret er organisert i fire seksjoner. Seksjon 2 skisserer metoden som er foreslått i vår studie. I avsnitt 3 beskriver vi forskningsdataene som brukes i denne studien, og presenterer eksperimentelle resultater og diskusjoner. Seksjon 4 konkluderer med dette papiret. 2. Materialer og metoder I denne delen gir vi relevant bakgrunn og beskrivelser for utformingen av våre parhandelssystemer ved hjelp av GA for modelloptimalisering. 2.1. Parhandel Parhandel antas å være forfedre for statistisk arbitrage, som er en handelsstrategi for å få fortjeneste fra prisavvik i en gruppe aksjer 17. Tradisjonell beslutningsprosess for investering avhenger vanligvis av grunnleggende for selskaper å vurdere verdien og pris sine aksjer, tilsvarende. Som de sanne verdiene av aksjene er sjelden kjent, ble parhandelsteknikker utviklet for å løse dette ved å investere lagerpar med lignende egenskaper (for eksempel lager fra samme bransje). Denne gjensidig misprising mellom to aksjer er teoretisk formulert av begrepet spredning, som brukes til å identifisere de relative posisjonene når et ineffektivt marked resulterer i misprising av aksjer 18. 21. Som et resultat er handelsmodellen vanligvis markedsnøytral i den forstand at den er ukorrelert med markedet og kan produsere en investeringsstrategi med lav volatilitet. En typisk form for parhandel med aksjer opererer ved å selge aksjen med en relativt høy pris og kjøpe den andre med en relativt lav pris ved begynnelsen av handelsperioden, og forventer at den høyere vil falle mens den nedre vil stige i framtid. Prisforskjellen mellom de to aksjene, også kjent som spredning, virker som et signal til de åpne og nærliggende posisjonene til lagrene. I løpet av handelsperioden åpnes posisjonen når spredningen øker med en viss grense, og deretter stilles posisjonene når spredning av aksjene vender tilbake. Målet med denne langsiktige strategien er å dra nytte av bevegelsen av spredningen som forventes å gå tilbake til sin langsiktige gjennomsnitt. Tenk på startkapital med en rente per år og en frekvens av sammensetning i et år, kan hovedstaden etter et år uttrykkes som hvor det er en stasjonær, gjennombruddsprosess, driften er liten i forhold til svingningene i og kan neglisjeres i mange applikasjoner. Bakgrunnen for gjennombruddsprosessen er at det eksisterer en langsiktig likevekt (middel) for spredningen. Investoren kan satse på reversering av nåværende spredning til sin historiske gjennomsnitt ved å selge og kjøpe en passende mengde av lagrene. Som (5) viser, forventer man avkastningen av aksjer og å spore hverandre etter å ha kontrollert for riktig. Denne modellen antyder en investeringsstrategi hvor man går lang 1 dollar aksje og korte dollar på lager hvis den er liten. Omvendt, hvis det er stort, tar man en motsatt strategi som går kort og lang. Som et resultat kan avkastningen av den lange kortporteføljen svinge rundt en statistisk likevekt. I real-world praksis kan avkastningen av den lange korte porteføljen over en periode beregnes som følger: Hvor og betegner aksjekursen hvor vi er lange på tid og. henholdsvis og og angi prisen på lager hvor vi er korte til tid og. henholdsvis. Parhandelsmetoden kan generaliseres til en gruppe bestander hvor misprising kan identifiseres gjennom en ordentlig kombinasjon av eiendeler hvis tidsserier er gjennomsnittlig tilbakeføring. Tenk på et sett av eiendeler og tilhørende tidsserier av aksjekurser, en statistisk feilprising kan betraktes som en lineær kombinasjon der det er en middelreferanseprosess og vektor representerer andelen av kapitalen som er tildelt hver eiendel i porteføljen. Gjennomsnittlig reversering i ligningen ovenfor refererer til antakelsen om at både høye og lave priser på syntetisk aktiva er midlertidige og at prisen har en tendens til å bevege seg mot gjennomsnittlig pris over tid. 2.2. Handelssystemer 2.2.1. Market Timing Models I dette arbeidet kan det langsiktige gjennomsnittet av en eiendomspris i gjennombruddsprosessen modelleres av det berømte glidende gjennomsnittet 24, som er gjennomsnittsprisen på et aktiv i en angitt periode. La være prisen på en aksje i tide. Det bevegelige gjennomsnittet på tid. gjennomsnittet av prisene som svarer til de siste tidsperioder, er definert som i denne studien benytter vi Bollinger Bands 24 for å avgjøre om spredningen av et par aksjer avviker fra dens dynamiske gjennomsnittsverdi. Vanligvis foreskriver Bollinger Bands to volatilitetsbånd plassert over og under et bevegelige gjennomsnitt, hvor volatilitet kan defineres som et flertall av standardavviket av prisene tidligere. Formelt kan Bollinger-bandene defineres som følger: Hvor er standardavviket av prisene, til tiden. I de siste tidsperioder er en parameter som brukes til å kontrollere bredden på de øvre og nedre båndene til det bevegelige gjennomsnittet. En viktig komponent i et vellykket handelssystem er å bygge modeller for markedstiming som foreskriver meningsfulle inn - og utgangspunkter i markedet. I denne studien vil vi bruke de bevegelige gjennomsnittene og Bollinger Bands for å utvikle et handelssystem, som er beskrevet i neste avsnitt. 2.2.2. Handelsstrategi og ytelsesvurdering Vi beregner spredningen for den syntetiske eiendelen generert av hvor. er prisen på lager på tid. og s er modellparametrene for generalisert parhandel som skal estimeres. I dette arbeidet utpeker vi handelsstrategien for å kjøpe (selge) spredningen rett etter at det blir standardavvik under (over) dens gjennomsnittlige verdi og stillingen er stengt like etter at spredningen kommer nærmere standardavvikene til dens gjennomsnitt, hvor og her vurderer vi ytelsen til et handelssystem når det gjelder sammensatt avkastning, som skal bestemmes av relevante parametere for handelsmodellene som er ansatt. Vi definerer først retur av et handelssystem for hvor det angir settet av modellparametrene. Da er resultatmålingene vi bruker her, gjennom den totale kumulative (sammensatte) avkastningen, hvor det er definert av produktene av avkastningen over påfølgende transaksjoner. Derfor er kapitalen i slutten av handelen i ferd med kapitalvekst hvor representerer startkapital. 2.3. Optimalisering av handelssystemer Med tanke på markedstiming og parhandelsmodeller skal ytelsen til et handelssystem forsterkes med passende verdier av de tilsvarende modellparametrene. For markedet timing modeller, inkluderer parametrene perioden for glidende gjennomsnitt og parametere og for Bollinger Bands som styrer multiplene av standardavvikene til glidende gjennomsnitt for inn - og utgangspunkter. For parhandelsmodellen består parametrene av settet av vektningsbetingelsene i det syntaktiske aktivet fra (10). I denne studien foreslår vi å bruke genetiske algoritmer (GA) for å søke etter optimale parametere i handelssystemet. Vi vil beskrive grunnlinjen til GA, samt vår foreslåtte optimaliseringsordning i det følgende. Genetiske algoritmer 25 har blitt brukt som beregningsmodellmodeller av naturlige evolusjonære systemer og som adaptive algoritmer for å løse komplekse optimaliseringsproblemer i den virkelige verden. Kjernen i denne klassen av algoritmer ligger i produksjonen av nye genetiske strukturer, i løpet av evolusjonen, som gir innovasjoner til løsninger på problemet. Vanligvis opererer GA på en utviklende populasjon av kunstige midler hvis sammensetning kan være så enkel som en binær streng som koder for en løsning på problemet ved hånden og en fenotype som representerer selve løsningen. I hver iterasjon er en ny generasjon opprettet ved å bruke crossover og mutasjon til kandidater valgt som foreldrene. Evolusjon oppstår ved iterert stokastisk variasjon av genotyper og utvelgelse av de passende fenotypene i et miljø basert på hvor godt de enkelte løsninger løser et problem. I vår foreslåtte kodingsdesign er sammensetningen av et kromosom utformet for å bestå av fire deler som koder periodeparameteren for glidende gjennomsnitt, multiplene og standardavvikene for Bollinger-båndene, og settet av vektningskoeffisientene for Parhandelsmodellen fra (10). Her bruker vi binær kodingsskjema til å representere et kromosom i GA. I figur 1. representerer loci kodingen for perioden med bevegelige gjennomsnitt. Loci representerer kodingen av og for henholdsvis Bollinger Bands. Endelig representerer loci kodingen av vektningskoeffisienten. Figur 1: Kromosomkoding. I vår kodingsordning skal kromosomet som representerer genotypene av parametere, omdannes til fenotypen ved (13) nedenfor for ytterligere treningsberegning. Presisjonen som representerer hver parameter, avhenger av antall biter som brukes til å kode det i kromosomet, som bestemmes som følger: hvor er den tilsvarende fenotypen for den spesifikke parameteren og er minimums - og maksimumverdiene til parameteren den tilhørende desimalverdien ( blir avkortet til heltall hvis parameteren er av heltalltype), og er lengden på blokken som brukes til å kode parameteren i kromosomet. Med denne ordningen definerer vi treningsfunksjonen til et kromosom som den årlige avkastningen av handelssystemet i løpet av mange års investering: hvor er den samlede kumulative avkastningen beregnet av (11). Vårt overordnede GA-baserte arbitrage-system er en flerlags prosess, inkludert samtidig optimalisering av vektningskoeffisientene for aksjer, perioden for glidende gjennomsnitt og bredden av Bollinger Bands. Inngangen til systemet er tidsseriens datasett av aksjekurs. For noen kombinasjoner av modellparametere i det bevegelige gjennomsnittet, Bollinger Bands og vektningskoeffisientene av aksjer, benytter vi parhandelsarbitrage-systemet for investering. I dette arbeidet er timingen for handel utpekt som å kjøpe (selge) spredningen rett etter at den kommer til en viss avstand (målt ved standardavvik til gjennomsnittet) under (over) gjennomsnittet og stillingen blir deretter stengt like etter spredningen kommer nærmere den gjennomsnittlige. Bestandene som er lange eller korte, bestemmes av vektningsbetingelsene i den syntaktiske eiendelen fra (10). Vi beregner deretter de tilsvarende avkastningene for ytelsesevalueringen av systemet. I denne studien brukes GA som optimeringsverktøy for samtidig optimalisering av disse modellparametrene. Den endelige utgangen er et sett med modellparametere (optimalisert av GA) som foreskriver parhandels - og timingmodellene. Flytdiagrammet til dette GA-baserte handelssystemet er oppsummert i figur 2. Figur 2: Flow diagram av GA-basert arbitrage system. 3. Resultater og diskusjon I denne delen undersøker vi resultatene av vår foreslåtte metode for parhandelssystemer. Vi bruker to sett med aksjer notert på Taiwans børs for å illustrere: (1) settet med 10 aksjer med lignende egenskaper fra halvlederindustrien, som er den viktigste industrisektoren i Taiwan de siste to tiårene, og (2) Settet av de 10 aksjene med størst markedsverdi fra ulike sektorer, som angir forskjellige industrielle egenskaper i Taiwan. 3.1. 10 aksjer fra halvlederindustrien Den daglige avkastningen av de ti halvlederbeholdere i Taiwan fra år 2003 til 2012 ble brukt til å undersøke resultatene til det GA-optimaliserte handelssystemet. Tabell 1 viser de 10 lagrene som brukes til denne delen. Figur 3 viser en illustrasjon av den beste såkalte kurven for den akkumulerte avkastningen (dvs. total kumulativ retur) oppnådd av GA over 50 generasjoner. (For å studere kvaliteten på løsninger over tid er en tradisjonell ytelsesmetrisk for GA den best-så-langt kurven som plotter treningen til det beste individet som har blitt sett så langt av generasjon. Det vil si et poeng i søket plass som optimaliserer objektivfunksjonen så langt. I tillegg bruker GA-eksperimentene et binærturneringsvalg 26, enpunktsovergang og mutasjonshastigheter på 0,7 og 0,005, resp. Vi bruker også 10 biter for å kode hver variabel i kromosomet og bruk 50 personer for størrelsen på befolkningen i hver generasjon.) Denne figuren viser hvordan GA søker etter løsningene i løpet av evolusjonen for å gradvis forbedre ytelsen til handelssystemet. Tabell 1: De 10 halvlederlagrene som ble brukt i denne studien. Figur 3: En illustrasjon for den beste så langt kurven av GA. Figur 4 viser en illustrasjon av den akkumulerte avkastningen til referansen og den av vår GA-baserte modellen. (I denne studien er referansen definert som den tradisjonelle buy-and-hold-metoden der vi allokerer kapital i likhet med hver aksje, og den akkumulerte avkastningen beregnes som produktet av den gjennomsnittlige daglige avkastningen av alle de 10 aksjene over 10 år, dvs. en investor investerer all kapital i aksjene først og selger dem alle bare ved utgangen av investeringen.) Dette tallet viser at den GA-baserte modellen gradvis overgår benchmark og ytelsesavviket blir ganske betydelig på i slutten av 2012. I motsetning til buy-and-hold-metoden som tildeler kapitalen i like mengder til hver aksje, søker GA proaktivt for de optimale proporsjonene for lange eller korte posisjoner for hvert aktiv for å konstruere spredningen av (10). I tillegg søker GA også etter optimal timing for å kjøpe og forkorte aksjene dynamisk ved hjelp av Bollinger Bands. I vår studie her er vektningskoeffisientene for proporsjoner av kapital som er allokert til aksjer, perioden for glidende gjennomsnitt og bredden av Bollinger-båndene optimalisert samtidig. Som et resultat, i vår foreslåtte metode, er et handelssystem optimalisert av GA et kompositt av optimale arbitrage - og markedstidsmodeller. Dermed kan man forvente at GA skal være fordelaktig for konstruksjonen av arbitrage-systemene, og Figur 4 viser faktisk at GA-basert modell overgår benchmarken på lang sikt. Derfor gir disse resultatene litt lys på hvordan optimaliseringen av GA kan være fordelaktig for parhandelsmodellen. Figur 4: Akkumulert avkastning av referansen mot GA-basert modell for de 10 halvlederbeholdningene fra år 2003 til 2012. For å undersøke gyldigheten av vår foreslåtte metode, utføres statistisk validering på modellene i denne studien. I virkeligheten må den lærte modellen som bruker treningsdata testes av usynlige data. Her, som vist i figur 5. bruker vi lagerdataene fra de første flere kvartalene for å trene modellen, og de resterende dataene brukes til testing. Dette oppsettet er å gi et sett av tidsmessige valideringer for å undersøke effektiviteten til modellene i det dynamiske miljøet av økonomiske problemer, noe som er forskjellig fra den vanlige kryssvalideringsprosedyren hvor dataprosessen deles inn i to uavhengige sett er tilfeldig gjentatt flere ganger uten å ta hensyn til datas tidsbestemte rekkefølge. Men i den økonomiske studien her er tidsmessig rekkefølge kritisk siden man vil bruke alle tilgjengelige data så langt til å trene modellen og å anvende modellene i fremtiden for fortjeneste. Figur 5: Temporal validering. I treningsfasen på hver TV gjennomfører vi 50 løp for GA og den beste modellen som er lært fra hver løp, blir undersøkt i testfasen. I både opplærings - og testfasen beregnes kumulativ totalavkastning (akkumulert avkastning) av en modell over kvartaler og tilsvarende årlig avkastning beregnes av (14). Den årlige avkastningen på de beste 50 modellene i hver TV blir da gjennomsnittlig og vises for opplærings - og testfasen i tabell 2. I denne tabellen gir vi også den årlige referanseavkastningen for videre sammenligning med de GA-baserte modellene, hvor den kumulative Total avkastning for referanseindeksen beregnes ut fra produktet av gjennomsnittlig kvartalsvis avkastning av de 10 halvlederbeholdningene over tidsperioden i trening eller testing, og den tilsvarende årlige avkastningen beregnes igjen av (14). Tabell 2: Sammenligning av den årlige avkastningen av den GA-baserte modellen og referanseporteføljen for de 10 halvlederbeholdningene fra år 2003 til 2012. I tabell 2 viser en inspeksjon ved hjelp av årlig modellavkastning at i alle 39 TV-er av treningstilstand GA-basert metode overgår referanseindeksen. For testfasen, i 30 av 39 tilfeller, utgjør GA-basert metoden referanseverdien. Figur 6 viser videre et visuelt kjennetegn på denne ytelsesavviket av de to metodene i testfasen. Som det kan ses, er de årlige avkastningene til GA-baserte modeller i de fleste TV-er større enn referanseporteføljen. Disse resultatene viser således at vår GA-baserte metode er lovende for å løse parhandelsproblemet. Figur 6: Gjennomsnittlig årlig avkastning på de beste 50 GA-baserte modellene i forhold til referanseindeksen (i hver TV i testfasen) for de 10 halvledere fra årene 2003 til 2012. 3.2. 10 aksjer med størst markedskapitalisering Neste bruker vi de 10 aksjene med den største markedsverdien som er oppført på Taiwan Børs for å undersøke vår foreslåtte metode videre. Daglig avkastning av aksjer fra år 2003 til 2012 ble igjen brukt til optimaliseringsoppgaven av GA. Tabell 3 viser de 10 aksjene med den største markedsdekselet brukt i denne studien. Tabell 3: De 10 største markedstakene som brukes i denne studien. Figur 7 viser en illustrasjon av referansens akkumulerte avkastning (som igjen defineres som produktet av den gjennomsnittlige daglige avkastningen av de 10 største markedstakene i løpet av 10 år) og den av vår GA-baserte modell. Som det kan ses, GA-baserte modellen gradvis overgår referanseindeksen i løpet av årene 2003 til 2012, og ytelsesavviket blir betydelig ved utgangen av året 2012. Dette tallet illustrerer således hvordan GA-basert modell kan overgå referanseporteføljen i det lange løp. Figure 7: Accumulated return of the benchmark versus the GA-based model for the 10 largest market cap stocks from years 2003 to 2012. For the temporal validation, by the same procedure used in the previous subsection, Table 4 shows the annualized benchmark return and the average of the annualized model returns for the training and testing cases. As can be seen from the means of the annualized model returns in the training case, the GA-based method outperforms the benchmark in all the 39 TVs. For the testing phase, in 29 out of 39 cases the GA-based method outperforms the benchmark, as well. Figure 8 then displays the results in Table 4 for each TV in the testing phase. An inspection of Figure 8 thus shows that, in 29 out of 39 TVs, the GA-based models outperform the benchmark in terms of annualized returns. Table 4: Comparisons of the annualized returns of the GA-based model and the benchmark for the 10 largest market cap stocks from years 2003 to 2012. Figure 8: Averaged annualized return of the top 50 GA-based models versus the benchmark (in each TV of the testing phase) for the 10 largest market cap stocks from years 2003 to 2012. 3.3. Model Robustness Finally, we examine the robustness of the models generated by our method using the measure of precision studied in 5 , which is defined as In this definition, and denote the number of true positives and false positives, respectively. In this study, a true positive occurs when a model outperforms the benchmark in training, and it later turns out to outperform the benchmark in testing, as well otherwise, the model generates a false positive. This statistic is an important metric that indicates whether our proposed method can generate robust models when the problem is in a dynamic environment, such as the financial problem studied here. Typically, if a method generates a model that outperforms the benchmark in the training phase, one would like the model to continue to outperform the benchmark in the testing phase. Therefore, if our proposed method is able to generate many true positives that leads to high precision, it is an indication that our method is effective in generating robust models. Table 5 displays the results of precision for the 10 semiconductor and largest market cap stocks. As can be seen, the results show that the precision of our proposed method is more than 0.7 in both cases, thereby indicating that our proposed method is indeed effective. Table 5: Precision for the 10 semiconductor and largest market cap stocks. 4. Conclusions In this paper, we presented a GA-based methodology for the application of pairs trading in computational finance. In order to examine the validity of the proposed methodology, we conducted a statistical validation on the learned models to account for the temporal order and dynamic characteristics of the stock data, which is critical for the real-world investment as practically one expects the models constructed to gain profits in the future. Through the optimization of parameters of the trading models for a group of stocks, the experimental results showed that our GA-based method is able to significantly outperform the benchmark and can generate robust models for pairs trading. We thus expect this GA-based method to advance the research in computational intelligence for financial applications and provide a promising solution to pairs trading. Conflict of Interests The authors declare that there is no conflict of interests regarding the publication of this paper. Acknowledgments This work is fully supported by the National Science Council, Taiwan, under Grant no. MOST 103-2221-E-390-019. The authors would also like to thank Professor Chih-Hsiang Chang for his generosity in providing the financial data. References A. M. Farley and S. Jones, Using a genetic algorithm to determine an index of leading economic indicators, Computational Economics . vol. 7, no. 3, pp. 163173, 1994. View at Publisher View at Google Scholar View at Scopus A. Mochxf3n, D. Quintana, Y. Sxe1ez, and P. Isasi, Soft computing techniques applied to finance, Applied Intelligence . vol. 29, no. 2, pp. 111115, 2008. View at Publisher View at Google Scholar View at Scopus K.-J. Kim and I. Han, Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index, Expert Systems with Applications . vol. 19, no. 2, pp. 125132, 2000. View at Publisher View at Google Scholar View at Scopus Y. Becker, P. Fei, and A. Lester, Stock selectionx2014an innovative application of genetic programming methodology, in Genetic Programming Theory and Practice IV . R. Riolo, T. Soule, and B. Worzel, Eds. vol. 5 of Genetic and Evolutionary Computation . chapter 12, pp. 315334, Springer, Ann Arbor, Mich, USA, 2006. View at Google Scholar C.-F. Huang, A hybrid stock selection model using genetic algorithms and support vector regression, Applied Soft Computing Journal . vol. 12, no. 2, pp. 807818, 2012. View at Publisher View at Google Scholar View at Scopus X. Z. Zhang, Y. Hu, K. Xie, S. Y. Wang, E. W. T. Ngai, and M. Liu, A causal feature selection algorithm for stock prediction modeling, Neurocomputing . vol. 14, pp. 4859, 2014. View at Publisher View at Google Scholar View at Scopus G. Zhang, B. E. Patuwo, and M. Y. Hu, Forecasting with artificial neural networks: the state of the art, International Journal of Forecasting . vol. 14, no. 1, pp. 3562, 1998. View at Publisher View at Google Scholar View at Scopus C.-L. Huang and C.-Y. Tsai, A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting, Expert Systems with Applications . vol. 36, no. 2, pp. 15291539, 2009. View at Publisher View at Google Scholar View at Scopus T.-C. Chu, C.-T. Tsao, and Y.-R. Shiue, Application of fuzzy multiple attribute decision making on company analysis for stock selection, in Proceedings of the 1996 Asian Fuzzy Systems Symposium on Soft Computing on Intelligent Systems and Information Processing . pp. 509514, Kenting, Taiwan, December 1996. View at Scopus M. R. Zargham and M. R. Sayeh, A Web-based information system for stock selection and evaluation, in Proceedings of the 1st International Workshop on Advance Issues of E-Commerce and Web-Based Information Systems . pp. 8183, 1999. View at Publisher View at Google Scholar N. Chapados and Y. Bengio, Cost functions and model combination for VaR-based asset allocation using neural networks, IEEE Transactions on Neural Networks . vol. 12, no. 4, pp. 890906, 2001. View at Publisher View at Google Scholar View at Scopus Y. Becker, P. Fei, and A. Lester, Stock selection: an innovative application of genetic programming methodology, in Genetic Programming Theory and Practice IV . R. Riolo, T. Soule, and B. Worzel, Eds. Springer, New York, NY, USA, 2007. View at Google Scholar K. K. Lai, L. Yu, S. Wang, and C. Zhou, A double-stage genetic optimization algorithm for portfolio selection, in Neural Information Processing: Proceedings of the 13th International Conference, ICONIP 2006, Hong Kong, China, October 3x20136, 2006, Part III . vol. 4234 of Lecture Notes in Computer Science . pp. 928937, Springer, Berlin, Germany, 2006. View at Publisher View at Google Scholar S.-S. Chen, C.-F. Huang, and T.-P. Hong, A multi-objective genetic model for stock selection, in Proceedings of the 27th Annual Conference of the Japanese Society for Artificial Intelligence . 2013. G. G. Szpiro, Forecasting chaotic time series with genetic algorithms, Physical Review E . vol. 55, no. 3, pp. 25572568, 1997. View at Google Scholar View at Scopus A. Fiordaliso, A nonlinear forecasts combination method based on Takagi-Sugeno fuzzy systems, International Journal of Forecasting . vol. 14, no. 3, pp. 367379, 1998. View at Publisher View at Google Scholar View at Scopus N. S. Thomaidis, N. Kondakis, and G. D. Dounias, An intelligent statistical arbitrage trading system, in Advances in Artificial Intelligence . vol. 3955 of Lecture Notes in Computer Science . pp. 596599, Springer, Berlin, Germany, 2006. View at Publisher View at Google Scholar M. Avellaneda and J.-H. Lee, Statistical arbitrage in the US equities market, Quantitative Finance . vol. 10, no. 7, pp. 761782, 2010. View at Publisher View at Google Scholar View at MathSciNet View at Scopus E. Gatev, W. N. Goetzmann, and K. G. Rouwenhorst, Pairs trading: performance of a relative-value arbitrage rule, Review of Financial Studies . vol. 19, no. 3, pp. 797827, 2006. View at Publisher View at Google Scholar View at Scopus C. L. Dunis, G. Giorgioni, J. Laws, and J. Rudy, Statistical arbitrage and high-frequency data with an application to Eurostoxx 50 equities, CIBEF Working Papers . CIBEF, 2010. View at Google Scholar R. J. Elliott, J. van der Hoek, and W. P. Malcolm, Pairs trading, Quantitative Finance . vol. 5, no. 3, pp. 271276, 2005. View at Publisher View at Google Scholar View at MathSciNet View at Scopus P. Saks and D. Maringer, Genetic programming in statistical arbitrage, in Applications of Evolutionary Computing . vol. 4974 of Lecture Notes in Computer Science . pp. 7382, Springer, Berlin, Germany, 2008. View at Publisher View at Google Scholar C.-F. Huang, T.-N. Hsieh, B. R. Chang, and C.-H. Chang, A comparative study of stock scoring using regression and genetic-based linear models, in Proceedings of the IEEE International Conference on Granular Computing (GrC 11) . pp. 268273, IEEE, Kaohsiung, Taiwan, November 2011. View at Publisher View at Google Scholar View at Scopus J. Murphy, Technical Analysis of Financial Markets . New York Institute of Finance, New York, NY, USA, 1999. J. H. Holland, Adaptation in Natural and Artificial Systems . The University of Michigan Press, Ann Arbor, Mich, USA, 1975. View at MathSciNet D. E. Goldberg and K. Deb, A comparative analysis of selection schemes used in genetic algorithms, in Foundation of Genetic Algorithms . pp. 6993, 1991. View at Google ScholarTrading Strategies An economic theory of total spending in the economy and its effects on output and inflation. Keynesian økonomi ble utviklet. En beholdning av en eiendel i en portefølje. En porteføljeinvestering er laget med forventning om å tjene en avkastning på den. Dette. Et forhold utviklet av Jack Treynor som måler avkastning opptjent over det som kunne vært opptjent på en risikofri. Tilbakekjøp av utestående aksjer (tilbakekjøp) av et selskap for å redusere antall aksjer på markedet. Selskaper. En skattemessig tilbakebetaling er refusjon på skatter betales til en person eller husstand når den faktiske skatteforpliktelsen er mindre enn beløpet. Den monetære verdien av alle ferdige varer og tjenester som produseres innen et land grenser i en bestemt tidsperiode.