Genetischer Algorithmus Eine Anwendung Auf Technische Trading System Design

SnowCron Genetic Algorithm in FOREX Trading Systems mit genetischen Algorithmus zu profitable FOREX Trading-Strategie zu schaffen. Genetischer Algorithmus in Cortex Neuronale Netze Software Feedforward Backpropagation Neuronales Netzwerk Anwendung für genetische Berechnungen basierte Forex Trading. Dieses Beispiel verwendet Konzepte und Ideen des vorherigen Artikels, so lesen Sie bitte Neural Network Genetic Algorithm in Forex Trading Systems zuerst, obwohl es nicht obligatorisch ist. Zu diesem Text Zuerst lesen Sie bitte den Haftungsausschluss. Dies ist ein Beispiel für die Verwendung von Cortex Neural Networks Software genetischen Algorithmus-Funktionalität, nicht ein Beispiel, wie man profitabel Handel tun. Ich bin nicht euer Guru, und ich sollte auch nicht für eure Verluste verantwortlich sein. Cortex Neural Networks Software hat neuronale Netzwerke in ihr, und FFBP wir diskutiert, bevor ist nur eine Möglichkeit der Auswahl eines Forex Trading-Strategien. Es ist eine gute Technik, leistungsstark und wenn richtig angewendet, sehr vielversprechend. Allerdings hat es ein Problem - das Neuronale Netz zu lehren. Müssen wir die gewünschte Ausgabe wissen. Es ist ziemlich einfach zu tun, wenn wir Funktion Näherung tun, nehmen wir nur den realen Wert einer Funktion, weil wir wissen, was es sein sollte. Wenn wir neuronale Netzwerk-Prognose. Verwenden wir die in früheren Artikeln beschriebene Technik des Neuronalen Netzes auf die Geschichte, wenn wir, wie wir sagen, einen Wechselkurs voraussagen, wissen wir (während des Trainings), was die richtige Vorhersage ist. Allerdings, wenn wir ein Handelssystem zu bauen, haben wir keine Ahnung, was die richtige Handelsentscheidung ist, auch wenn wir wissen, der Wechselkurs Wie die Tatsache, wir haben viele Forex Trading-Strategien können wir zu jedem Zeitpunkt verwenden, und Müssen wir eine gute finden - wie Was sollten wir als die gewünschte Leistung des Neuronalen Netzes füttern Wenn Sie unserem vorherigen Artikel gefolgt sind, wissen Sie, dass wir betrogen haben, um mit diesem Problem umzugehen. Wir lehrten das Neuronale Netz zu tun Wechselkurs (oder Wechselkurs-basierte Indikator) Vorhersage, und dann verwendet diese Vorhersage zu tun Handel. Dann, außerhalb der Neural Network Teil des Programms, haben wir eine Entscheidung, auf die Neural Network ist die beste. Genetische Algorithmen können mit diesem Problem direkt umgehen, können sie lösen das Problem als die besten Trading-Signale finden. In diesem Artikel werden wir Cortex Neural Networks Software verwenden, um ein solches Programm zu erstellen. Mit genetischen Algorithmen genetische Algorithmen sind sehr gut entwickelt und sehr vielfältig. Wenn Sie alles über sie lernen wollen, schlage ich vor, Sie verwenden Wikipedia, da dieser Artikel nur darüber, was Cortex Neural Networks Software tun kann. Mit der Cortex Neural Networks Software. Können wir ein Neuronales Netz schaffen, das einige Werte, beispielsweise Werte eines Indikators, annimmt und einige Outputs erzeugt, zB Handelssignale (Kauf, Verkauf, Halten) und Stopverlust die Gewinnspanne für Positionen, die geöffnet werden sollen. Natürlich, wenn wir diese Neural Network s Gewichte zufällig seed, werden die Handelsergebnisse schrecklich sein. Allerdings können wir sagen, wir haben ein Dutzend solcher NNs. Dann können wir testen Leistung von jedem von ihnen, und wählen Sie die beste, der Gewinner. Dies war die erste Generation von NNs. Um mit der zweiten Generation fortzufahren, müssen wir unseren Siegern erlauben, sich zu formen, aber um zu vermeiden, identische Kopien zu erhalten, können wir einige zufällige Geräusche zu den Absenkungsgewichten hinzufügen. In der zweiten Generation haben wir unseren ersten Sieger und seine unvollkommenen (mutierten) Kopien. Lassen Sie uns erneut testen. Wir haben einen weiteren Sieger, der BESSER ist als jedes andere Neuronale Netzwerk in der Generation. Und so weiter. Wir erlauben es den Gewinnern, zu züchten und die Verlierer zu eliminieren, genau wie in der wirklichen Evolution, und wir werden unser bestes Trading Neural Network bekommen. Ohne vorheriges Wissen über das, was das Handelssystem (genetischer Algorithmus) sein sollte. Neuronales Netzwerk Genetischer Algorithmus: Beispiel 0 Dies ist das erste Beispiel eines genetischen Algorithmus. Und eine sehr einfache. Wir werden Schritt für Schritt durch sie gehen, um alle Tricks zu lernen, die folgende Beispiele nutzen werden. Der Code hat Inline-Kommentare, so können nur auf wichtige Momente konzentrieren. Zuerst haben wir ein neuronales Netzwerk geschaffen. Es ist mit zufälligen Gewichten, und wurde noch nicht unterrichtet. Dann, im Zyklus, machen wir 14 Kopien davon, mit MUTATIONNN fumction. Diese Funktion macht eine Kopie eines Quell-Neuronalen Netzes. Zufallswerte von 0 bis (in unserem Fall) 0,1 zu allen Gewichten addieren. Wir halten Griffe zu resultierenden 15 NNs in einem Array, können wir es tun, da Handle ist nur eine ganze Zahl. Der Grund, warum wir 15 NNs verwenden, hat nichts mit dem Handel zu tun: Cortex Neural Networks Software kann bis zu 15 Zeilen auf einem Chart gleichzeitig darstellen. Wir können verschiedene Ansätze für die Prüfung verwenden. Zuerst können wir das Lernset verwenden, alles auf einmal. Zweitens können wir auf 12000 Resonanzen (von 100000) testen und durch das Lernset gehen, von Anfang bis Ende. Das wird lernen, verschiedene, wie wir für Neural Network s, die profitabel sind, auf einem bestimmten Teil der Daten, nicht nur auf den gesamten Satz zu suchen. Der zweite Ansatz kann uns Probleme, wenn Daten ändern, von Anfang bis Ende. Dann wird das Netzwerk entwickeln, die Fähigkeit zu erwerben, am Ende des Datensatzes handeln, und verlieren Fähigkeit, den Handel an seinem Anfang. Um dieses Problem zu lösen, werden wir zufällige 12000 Datensätze Fragmente aus Daten zu nehmen, und füttern sie an das neuronale Netzwerk. Ist einfach ein endloser Zyklus, da 100000 Zyklen nie bei unserer Geschwindigkeit erreicht werden. Darunter fügen wir ein Kind für jedes Netzwerk, mit etwas anderen Gewichten. Beachten Sie, dass 0,1 für Mutation Tange ist nicht die einzige Wahl, wie die Tatsache, auch dieser Parameter kann mit Hilfe von genetischen Algorithmus optimiert werden. Neu erstellte NNs werden nach 15 bestehenden hinzugefügt. Auf diese Weise haben wir 30 NNs in einem Array, 15 alte und 15 neue. Dann werden wir den nächsten Testzyklus durchführen und Verlierer von beiden Generationen töten. Um Tests durchzuführen, wenden wir Neuronales Netz an unsere Daten an, um Ausgänge zu erzeugen und dann Testfunktion aufzurufen, die diese Ausgänge zur Simulation des Handels verwendet. Die Ergebnisse des Handels werden verwendet, um zu entwerten, welche NNs am besten sind. Wir verwenden ein Intervall von nLearn-Datensätzen, von nStart bis nStart nLearn, wobei nStart ein zufälliger Punkt innerhalb des Lernsatzes ist. Der Code unten ist ein Trick. Der Grund, warum wir es verwenden, ist die Tatsache zu veranschaulichen, dass genetischer Algorithmus einen genetischen Algorithmus erzeugen kann. Aber es wird nicht notwendigerweise die beste sein, und auch, um vorzuschlagen, dass wir das Ergebnis verbessern können, wenn wir einige Einschränkungen des Lernprozesses implizieren. Es ist möglich, dass unser Handelssystem sehr gut auf langen Trades funktioniert und sehr schlecht auf kurzem, oder umgekehrt. Wenn, sagen wir, lange Trades SEHR gut sind, kann dieser genetische Algorithmus gewinnen, auch mit großen Verlusten auf Short Trades. Um es zu vermeiden, weisen wir den Long-Trades in ungeraden und kurzen Trades in gleichmäßigen Zyklen mehr Gewicht zu. Dies ist nur ein Beispiel, es gibt keine Garantie, dass es etwas verbessern wird. Mehr darüber unten, in der Diskussion über Korrekturen. Technisch müssen Sie es nicht tun, oder können es anders machen. Fügen Sie einem sortierten Array einen Gewinn hinzu. Es gibt eine Einfügeposition zurück, dann verwenden wir diese Position, um Neural Network Griff hinzuzufügen, Lernen und Testen von Gewinnen in nicht sortierte Arrays. Jetzt haben wir Daten für das aktuelle Neuronale Netzwerk mit dem gleichen Array-Index wie sein Gewinn. Die Idee ist, zu Array von NNs, sortiert nach Rentabilität zu gelangen. Da Array nach Gewinn sortiert ist, um 12 von Netzwerken zu entfernen, die weniger rentabel sind, müssen wir nur die NNs 0 bis 14 entfernen. Entscheidungen für den Handel basieren auf dem Wert des Neuronalen Netzwerksignals, aus diesem Blickwinkel ist das Programm identisch mit Beispielen aus Vorheriger Artikel. FOREX Trading-Strategie: Diskussion Beispiel 0 Zunächst einmal können wir einen Blick auf Charts. Das erste Diagramm für den Gewinn während der ersten Iteration ist nicht gut, wie zu erwarten ist, verliert das Neuronale Netz Geld (Bild evolution00gen0.png kopiert nach der ersten Iteration aus dem Bilderordner): Das Bild für Profit auf Zyklus 15 ist manchmal besser , Genetische Algorithmus kann wirklich schnell lernen: Allerdings bemerken die Sättigung auf einer Gewinn-Kurve. Interessant ist auch, wie sich einzelne Profite verändern, wobei man bedenkt, dass die Kurvenzahl, sagen wir, 3 nicht immer für dasselbe Neuronale Netz gilt. Wie sie geboren und beendet werden die ganze Zeit: Beachten Sie auch, dass aus kleinen Forex-automatisierte Handelssystem führt schlechte auf kurze Trades, und viel besser auf longs, die möglicherweise mit der Tatsache, dass der Dollar im Vergleich zu sinken In diesem Zeitraum. Es kann auch etwas mit den Parametern unseres Indikators zu tun haben (vielleicht brauchen wir verschiedene Zeit für Shorts) oder die Wahl der Indikatoren. Hier ist die Geschichte nach 92 und 248 Zyklen: Zu unserer Überraschung, genetischen Algorithmus völlig versagt. Lets versuchen, herauszufinden, warum, und wie die Situation zu helfen. Zunächst einmal, ist nicht jede Generation soll besser als die previuos ein Die Antwort ist nein, zumindest nicht innerhalb des Modells, das wir verwendet haben. Wenn wir ENTIRE Lernen auf einmal gesetzt und es immer wieder verwendet, um unsere NNs zu lehren, dann ja, werden sie auf jede Generation zu verbessern. Stattdessen nahmen wir zufällige Fragmente (12000 Datensätze in der Zeit), und verwendet sie. Zwei Fragen: Warum das System fehlgeschlagen auf zufällige Fragmente von Lern-Set, und warum havent wir ganze Lern-Set verwendet Nun. Um die zweite Frage zu beantworten, habe ich. NNs durchgeführt sehr - auf Lern-Set. Und sie fehlgeschlagen beim Testen Set, aus dem gleichen Grund scheitert es, wenn wir FFPB-Lernen verwendet. Um es anders auszudrücken, wurden unsere NNs überspezialisiert, sie haben gelernt, in der Umgebung zu überleben, die sie gewohnt sind, aber nicht draußen. Das geschieht sehr viel in der Natur. Der Ansatz, den wir stattdessen beabsichtigten, war zu kompensieren, dass durch die zwingende NNs, um gut auf jedem zufälligen Fragment des Datensatzes durchzuführen, so dass hoffentlich konnten sie auch auf einem unbekannten Test-Set. Stattdessen scheiterten sie sowohl beim Testen als auch beim Lernsatz. Stellen Sie sich vor, Tiere, die in einer Wüste leben. Viel Sonne, kein Schnee. Dies ist eine Metafor für rizing Markt, wie für unsere NNs Daten spielen die Rolle der Umwelt. Tiere lernten, in einer Wüste zu leben. Stellen Sie sich vor, Tiere, die in einem kalten Klima zu leben. Schnee und keine Sonne. Nun, sie stellten sich. Allerdings haben wir in unserem Experiment zufällig unsere NNs in einer Wüste, im Schnee, im Wasser, an den Bäumen platziert. Indem man sie mit verschiedenen Datenfragmenten (zufällig steigend, fallend, flach) präsentiert. Tiere starben. Um es anders auszudrücken, haben wir das beste Neuronale Netzwerk für den Zufallsdatensatz 1 ausgewählt, der zum Beispiel für den steigenden Markt war. Dann stellten wir den Gewinnern und ihren Kindern eine sinkende Marktdatenlage vor. NNs schlecht durchgeführt haben, nahmen wir am besten von schlechten Leistungsträgern, vielleicht, einer der mutierten Kinder, die Fähigkeit verloren, auf dem steigenden Markt zu handeln, aber bekam einige Fähigkeit, mit fallender zu bewältigen. Dann drehten wir den Tisch wieder um, und wieder haben wir den besten Spieler - aber am besten unter schlechten Künstlern. Wir geben einfach unseren NNs keine Chancen, universal zu werden. Es gibt Techniken, die den genetischen Algorithmus erlauben, neue Informationen zu erlernen, ohne die Leistung auf alten Informationen zu verlieren (schließlich können die Tiere im Sommer und im Winter leben, richtig, so Evolution ist in der Lage, wiederholende Änderungen zu behandeln). Wir können diese Techniken später zu diskutieren, obwohl dieser Artikel ist mehr über die Verwendung von Cortex Neural Networks Software. Als über den Aufbau eines erfolgreichen Forex-automatisierten Handelssystems. Neuronales Netz Genetischer Algorithmus: Beispiel 1 Jetzt ist es Zeit, über Korrekturen zu sprechen. Ein einfacher genetischer Algorithmus, den wir im vorigen Schritt erstellt haben, hat zwei Hauptfehler. Erstens gelang es nicht, mit Gewinn zu handeln. Es ist ok, wir können versuchen, teilweise geschultes System zu benutzen (es war am Anfang rentabel). Der zweite Fehler ist ernster: wir haben keine Kontrolle über Dinge, die dieses System tut. Zum Beispiel kann es lernen, rentabel zu sein, aber mit riesigen Drawdowns. Es ist eine bekannte Tatsache, dass Evolution im wirklichen Leben mehr als einen Parameter gleichzeitig optimieren kann. Zum Beispiel können wir ein Tier bekommen, das schnell laufen kann und resistent gegen Kälte sein kann. Warum nicht zu versuchen, das Gleiche in unserem Forex-automatisierten Handelssystem. Das ist, wenn wir Korrekturen verwenden, die nichts als die Menge der zusätzlichen Strafen sind. Sagen wir, unser System handelt mit Drawdown 0.5, während wir es auf 0 - 0.3 Intervall bestätigen wollen. Um dem System zu sagen, dass es einen Fehler gemacht hat, verringern wir seinen Profit (der verwendet wird, um zu bestimmen, welcher genetische Algorithmus gewonnen hat) bis zu dem Grad, der proportional zur Größe von DD ist. Dann kümmert sich der Evolutionsalgorithmus um den Rest. Es gibt nur wenige weitere Faktoren, die wir in Betracht ziehen wollen: Vielleicht möchten wir mehr oder weniger gleich viele Kauf - und Verkaufsgeschäfte haben, wir wollen mehr rentable Geschäfte haben, dann von Ausfällen können wir die Gewinndiagramme wollen Linear sein und so weiter. In evolution01.tsc implementieren wir einen einfachen Satz von Korrekturen. Zuerst verwenden wir eine große Zahl für einen anfänglichen Korrekturwert. Wir multiplizieren es mit einem kleinen (in der Regel zwischen 0 und 1) Werte, abhängig von der Strafe, die wir anwenden möchten. Dann multiplizieren wir unseren Gewinn mit dieser Korrektur. Als Ergebnis wird der Gewinn korrigiert, um zu reflektieren, wie viel der genetische Algorithmus unseren anderen Kriterien entspricht. Dann verwenden wir das Ergebnis, um einen Gewinner Neural Network zu finden. FOREX Handelsstrategie: Beispiel 1 Beispiel 1 arbeitet viel besser als Beispiel 0. Während der ersten 100 Zyklen hat es viel gelernt, und Gewinndiagramme sehen beruhigend aus. Allerdings sind, wie in Beispiel 0, lange Trades viel mehr rentabel, was wahrscheinlich bedeutet, dass es ein Problem in unserem Ansatz. Dennoch hat das System eine Balance zwischen zwei widersprüchlichen Anfangsbedingungen gefunden: Es gibt einige positive Dynamiken sowohl beim Lernsatz als auch, noch wichtiger, beim Testen. Wie für weiteres Lernen, bei Zyklus 278 können wir sehen, dass unser System übertraf. Es bedeutet, dass wir noch Fortschritte beim Lernen haben: Aber Testset zeigt Schwäche: Dies ist ein häufiges Problem mit NNs: Wenn wir es lernen, lernen, lernt es, damit umzugehen, und manchmal lernt es zu gut - um die Grad, wenn es verliert Leistung auf Testsatz. Um dieses Problem zu lösen, wird eine herkömmliche Lösung verwendet: Wir suchen das Neuronale Netz. Die am besten auf dem Test-Set durchgeführt wird, und speichern Sie es, überschreiben vorherige beste, jedes Mal, wenn neue Spitze erreicht wird. Dies ist der gleiche Ansatz, den wir in FFBP-Training, außer, diesmal haben wir es selbst tun (Hinzufügen von Code, der für ein bestes Neuronales Netzwerk sucht auf einem Testset und Aufrufen von SAVENN oder Exportieren von Gewichten von Neural Network zu einem Datei). Auf diese Weise, wenn Sie Ihr Training zu stoppen, haben Sie die besten Performer ON TESTING SET gespeichert und warten auf Sie. Beachten Sie auch, dass es nicht die max. Profitieren Sie nach, aber optimale Leistung, so betrachten Korrekturen, bei der Suche nach einem besten Darsteller auf einem Test-Set. Genetischer Algorithmus für FOREX Technische Analyse: Wo jetzt Nachdem Sie Ihre Gewinner erhalten Neuronales Netzwerk. Können Sie die im vorherigen Artikel beschriebenen Schritte ausführen, um die Gewichte dieses Neuronalen Netzwerks zu exportieren. Und dann nutzen sie in Ihrer Echtzeit-Handelsplattform, wie Meta Trader, Trade Station und so weiter. Alternativ können Sie sich auf andere Möglichkeiten der Optimierung des Neuronalen Netzes konzentrieren. Anders als mit FFBP-Algorithmus, hier können Sie Avay aus mit Lern-und Test-Sets zu erhalten, und verschieben sequentiellen Lernen. Download Cortex Order Cortex Preisliste ansehen Die Sichtbarkeit ist für diese Seite sehr wichtig. Wenn Sie mögen, bitte verbinden Sie mit dieser URL durch Jih-chang Hsieh, Shih-hsin Chen, Pei-Kanal Chang, Yuan Taiwan. In den letzten Jahrzehnten haben Soft Computing Techniken breit angewendet, um komplexe Probleme zu lösen. Unter den Soft-Computing-Techniken, künstliches Immunsystem (AIS) erschienen als ein neuer Ansatz, der sich mit Klassifikationsproblemen. In diesem Papier wird ein AIS-Algorithmus entwickelt und auf eine Zwei-Gro. In den letzten Jahrzehnten haben Soft Computing Techniken breit angewendet, um komplexe Probleme zu lösen. Unter den Soft-Computing-Techniken, künstliches Immunsystem (AIS) erschienen als ein neuer Ansatz, der sich mit Klassifikationsproblemen. In diesem Papier wird ein AIS-Algorithmus entwickelt und auf ein Zwei-Gruppen-Klassifikationsproblem angewendet. Ein Beispiel für die taiwanesische Bankenbranche wird diskutiert und die Finanzkennzahlen der einzelnen Banken von 1998 bis 2002 gesammelt. Dieses System muss die Betriebsleistung (gut oder schlecht) jeder Bank unterscheiden, um ein Referenzmaterial für die Manager oder Investoren anzubieten. Die Leistungsfähigkeit von AIS wird mit anderen fünf Frühwarnsystemen, nämlich genetischen neuronalen Netzwerken (GNN), Fall-basiertem Argumentieren (CBR), BackPropiation Neural Network (BPN), logistischer Regressionsanalyse (LR) und quadratischer Diskriminanzanalyse (QDA) verglichen ). Das Ergebnis zeigt, dass das vorgeschlagene AIS über 10 besser ist als die drei Soft Computing-Frühwarnsysteme (GNN, CBR und BPN). Die AIS übertrifft die statistischen Frühwarnsysteme (LR und QDA) mindestens 24. 1. und effizienter in einer Reihe von Bereichen. Verschiedene Soft-Computing-Techniken wurden je über finanzielle Frühwarnsysteme wie Barniv et al. 1, Bell 2, Boritz und Kennedy 3, Colin-5, Etheridge und Sriram 6, Kingdom und Feldman 7, Lee et al. 11 und Odom und Sharda 13. Alle Untersuchungen zeigten zufriedenstellende Ergebnisse. Freitas und Timmis 7 führten die Grundlagen der Kunst ein. Von Jih-Chang Hsieh, Pei-Chang Chang, Shih-hsin Chen - Industrie, Proceedings of The First Internationale Konferenz über innovatives Informatik, Information und Kontrolle (ICICIC06, 2006.) Genetischer Algorithmus und neuronales Netzwerk (GNN) Ein Beispiel der taiwanesischen Bankenindustrie diskutiert wird, um die Trefferquote jedes Systems zu testen. Die Performance wird mit anderen vier Frühwarnsysteme, nämlich Fall-basierte Argumentation, Backpropag verglichen. Genetischer Algorithmus und neuronales Netzwerk (GNN) sind Integriert, um ein finanzielles Frühwarnsystem zu erstellen Ein Beispiel für die taiwanesische Bankenindustrie wird diskutiert, um die Trefferquote jedes Systems zu testen. Die Performance wird mit anderen vier Frühwarnsystemen verglichen, nämlich Fallbeispiele, Backpropagation-Neuronennetzwerk und logistische Regression Analyse und quadratische Diskriminanz-Analyse. Das Ergebnis zeigt, dass die GNN in dieser Forschung vorgeschlagen, ein wenig besser als die beiden anderen Soft-Computing-Frühwarnsysteme. Und die GNN übertrifft die statistischen Frühwarnsysteme mindestens 13. d mit Soft-Computing-Techniken. VerschiedeneSoft-Computing-Techniken vor allem NeuraleNetzwerke und genetische Algorithmen werden als solche wie Barniv et al. 1, Bell 2, Boritz und Kennedy 3, sColin-5-, Etheridge und Sriram 6, Kingdom andsFeldman 8, Lee et al. 10 und Odom und Shardas12. Alle Forschungsergebnisse zeigten zufriedenstellende Ergebnisse. Daher eine Integration von genetischen Algorithmus und sneural n. Von Laura Nez-letamendia, von Gonzalo Chavez, von Julio De Castro, von Salvador Carmona For. Dieses Papier untersucht das Problem, wie sich Änderungen in der Gestaltung des genetischen Algorithmus (GA) auf die Ergebnisse in realen Anwendungen auswirken. In dieser Studie, die sich auf die Anwendung eines GA auf die Abstimmung der technischen Handelsregeln im Kontext der Finanzmärkte konzentriert, Dieses Papier untersucht das Problem, wie sich Änderungen in der Gestaltung des genetischen Algorithmus (GA) auf die Ergebnisse in realen Anwendungen auswirken. In dieser Studie, die sich auf die Anwendung eines GA auf die Abstimmung der technischen Handelsregeln im Kontext der Finanzmärkte konzentriert, ist unsere vorläufige These, dass die GA robust gegenüber Designänderungen ist. Die Optimierung technischer Handelssysteme ist ein geeigneter Bereich für die Anwendung der GA-Metaheuristik, da die Komplexität des Problems exponentiell wächst, wenn dem System neue technische Regeln hinzugefügt werden und die Antwortzeit entscheidend ist, wenn das System auf Echtzeit angewendet wird Daten. Bisher haben die meisten GAs-Anwendungen zu diesem Thema die Frage nach möglicher Designabhängigkeit in ihren Ergebnissen beseitigt. Die auf unseren Experimenten beruhenden Daten erlauben es uns nicht, die Hypothese der Robustheit der GA zur Designimplementierung bei der Anwendung technischer Trading-Systeme zu widerlegen. Proceedings of the International Conference on Computational Methods in Sciences and Engineering 2004 Technische Verbesserung Trading-Systeme mit einem neuen MATLAB-basierten genetischen Algorithmus Verfahren Stephanos Papadamou a ,. George Stephanides b. Institut für Angewandte Informatik, Universität Mazedonien Wirtschafts - und Sozialwissenschaften, Egnatias 156, Thessaloniki 54006, Griechenland Erhalten am 18. Mai 2006. Angenommen am 15. Dezember 2006. Online verfügbar 24 Januar 2007. Jüngste 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 Heutige 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. MATLABs umfassende integrierte mathematische und finanzielle Funktionalität, die Tatsache, dass es sowohl eine interpretierte und kompilierte Programmiersprache als auch ihre Plattformunabhängigkeit ist, eignet sie sich hervorragend für die Entwicklung von Finanzapplikationen. Beweise für die Erträge aus technischen Regeln, einschließlich Impulsstrategien (z. B. 14. 15. 16. 16. 25 und 20), können die gleitenden Durchschnittsregeln und andere Handelssysteme 6. 2. 9 und 24 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 und 8. Traditionell Forscher verwendeten 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. Allerdings ist die Schwachstelle ihrer Optimierungsprozedur Zeit: Die Zielfunktion (z. B. Profit) ist nicht eine einfache quadratische Fehlerfunktion, sondern eine komplizierte (jede Optimierungsiteration durchläuft die Daten, erzeugt Handelssignale, berechnet Gewinne 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 ein Set (Bevölkerung) von guten 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, 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 ein umfangreiches GA-Studium, 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 Genetic Algorithmen und Anlagestrategien 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. Fernndez-Rodrguez 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 genetische Programmierung auf Devisenprognosen angewendet und einige Erfolge gezeigt hatten. 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 moderate 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 Goldbergs. 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. 3 Methodik Unsere Methodik wird in mehreren Schritten durchgeführt. Erstens müssen wir unser Handelssystem auf Basis technischer Analysen umsetzen. Bei der Entwicklung eines Handelssystems müssen Sie bestimmen, wann und wann der Markt verlassen werden soll. Wenn der Händler auf dem Markt ist, ist die binäre Variable gleich einer anderen ist Null. Als Positionsträger stützen wir die Mehrheit unserer Ein - und Ausstiegsentscheidungen auf Tagespläne, indem wir einen Trend nach Indikator (Dimbeta) aufbauen. Dieses Kennzeichen berechnet die Abweichung der aktuellen Kurse vom gleitenden Durchschnitt der Länge. Die Indikatoren, die in unserem Handelssystem verwendet werden, können wie folgt formalisiert werden: Wo ist der Schlusskurs des Fonds zu Zeit und Funktion MovAv berechnet den einfachen gleitenden Durchschnitt der Variablen Schließen mit Zeitlänge. Unser Handelssystem besteht aus zwei Indikatoren, dem Dimbeta-Indikator und dem Moving Average von Dimbeta, die durch die folgende Gleichung gegeben werden: Wenn Kreuz aufwärts, dann geben Sie lange in den Markt (d. H. Kaufsignal). Wenn Kreuz nach unten, dann schließen Sie die lange Position auf dem Markt (d. H. Verkaufssignal). Zweitens müssen wir unsere Handelsstrategie optimieren. Es ist bekannt, dass die Maximierung objektiver Funktionen wie Gewinn oder Reichtum die Handelssysteme optimieren kann. Die natürlichste Zielfunktion für einen risikounempfindlichen Händler ist der Gewinn. In unserem Software-Tool betrachten wir multiplikative Gewinne. Multiplikative Gewinne sind geeignet, wenn ein fester Bruchteil des kumulierten Vermögens in jeden langen Handel investiert wird. In unserer Software sind keine Leerverkäufe erlaubt und der Leverage-Faktor festgesetzt. Der Refinanzierungszeitpunkt ergibt sich aus der folgenden Formel: Wo ist die für die Periode realisierte Rendite, die Transaktionskosten und die binäre Dummy-Variable Was eine lange Position anzeigt (dh 1 oder 0). Der Gewinn wird durch Subtraktion aus dem letzten Reichtum der ursprünglichen Reichtum,. Die Optimierung eines Systems beinhaltet das Durchführen mehrerer Tests, während ein oder mehrere Parameter (,) innerhalb der Handelsregeln variiert werden. Die Zahl der Tests kann rasch wachsen (Metastock hat maximal 32 000 Tests). Im FinTradeTool 23. gibt es jedoch keine Begrenzung der Zeitverarbeitung, abhängig vom verwendeten Rechnersystem. In dieser Arbeit untersuchen wir die Möglichkeit, das Optimierungsproblem mit Hilfe von genetischen Algorithmen zu lösen. Genetische Algorithmen (GAs), die von Holland 13 entwickelt wurden, bilden eine Klasse von Such-, Anpassungs - und Optimierungstechniken, die auf den Prinzipien der natürlichen Evolution beruhen. Genetische Algorithmen eignen sich gut für Optimierungsprobleme, da sie bekanntermaßen Robustheit aufweisen und in der Lösungsmethodologie und Optimierungsleistung entscheidende Vorteile bieten können. GAs unterscheiden sich von anderen Optimierungs - und Suchprozeduren in gewisser Weise. Erstens arbeiten sie mit einer Codierung des Parametersatzes, nicht die Parameter selbst. Daher können GAs die binären Variablen leicht handhaben. Zweitens suchen GAs aus einer Population von Punkten, nicht einen einzigen Punkt. Daher können GAs eine Reihe von global optimalen Lösungen bereitstellen. Schließlich verwenden GAs nur objektive Funktionsinformationen, nicht Ableitungen oder andere Hilfswissen. Daher können GAs mit den nicht-kontinuierlichen und nicht-differenzierbaren Funktionen umgehen, die tatsächlich in einem praktischen Optimierungsproblem bestehen. 4 Vorgeschlagenes GATradeTool im GATradeTool. Ein genetischer Algorithmus arbeitet auf einer Population von Kandidatenlösungen codiert (,). Jede Entscheidungsvariable in dem Parametersatz wird als binäre Zeichenfolge codiert, und alle werden verkettet, um ein Chromosom zu bilden. Die Chromosomendarstellung ist ein Zwei-Element-Vektor, der Parameter in der bunaren genetischen Kodierung enthält. Die Genauigkeit der binären Darstellung beträgt acht Bits pro Parameter (d. h. 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1). Es beginnt mit einer zufällig konstruierten Bevölkerung der anfänglichen Vermutungen. Diese Lösungskandidaten werden nach unserer Zielfunktion ausgewertet (Gleichung (4)). Um die Optimalität zu erhalten, tauscht jedes Chromosom Informationen unter Verwendung von Operatoren (d. h. arithmetisches Crossover 1), die von der natürlichen Genetik entlehnt sind, um eine bessere Lösung zu erzeugen. Die Zielfunktion (Gleichung (4)) wird verwendet, um zu messen, wie Individuen in der Problemdomäne durchgeführt haben. In unserem Fall haben die am meisten angepassten Individuen den höchsten numerischen Wert der zugehörigen Zielfunktion. Die Fitness-Funktion wandelt die rohen objektiven Funktionswerte in nicht-negative Werte für jedes Individuum um. The tool supports the offsetting and scaling method of Goldberg 12 and the linear-ranking algorithm of Baker 3 . Our selection technique employs a roulette wheel mechanism to probabilistically select individuals based on their performance. A real-valued interval Sum is determined as the sum of the row fitness values over all the individuals in the current population. Individuals are then mapped one to one into contiguous intervals in the range 0, Sum. The size of each individual interval corresponds to the fitness value of the associated individual. To select an individual a random number is generated in the interval 0, Sum and the individual whose segment spans the random number is selected. This process is repeated until the desired number of individuals has been selected 26. These candidates were allowed to participate in an arithmetic crossover, the procedure that recombines promising candidates in order to create the next generation. These steps were repeated until a well-defined criterion is satisfied. Because the GA is a stochastic search method, it is difficult to formally specify convergence criteria. As the fitness of population may remain static for a number of generations before a superior individual is found, the application of conventional termination criteria becomes problematic. As a result we proposed the achievement of a specific number of iterations as the termination criterion. Our genetic algorithm can be presented in the following frame: 5 Empirical results In this section, we apply our methodology in a UBS mutual fund investing in emerging stock markets. 2 The data analyzed consists of 2800 observations on daily closing prices of that fund for the period 159825604. The optimization period is defined between 1598 to 25603. The optimized system was evaluated through the extended period 2560325604. The optimization problem is set as to determine the optimal lengths of Dimbeta indicator and its moving average for the simple Dimbeta model that will maximize profits. Firstly, the effect of different GA parameter configurations will be studied. More specifically we are interested to measure the effect of the population size and the crossover parameter in the performance of the genetic algorithm based optimization procedure. Based on Goldbergs 12 and Bauers 4 recommendations, the population size should be equal to 30 and the crossover rate should be 0.6 (default values). The number of iterations was set to 300 for all simulations. Second, we compared the solutions of optimization problem conducted by different software tools in order to measure the validity of the GATradeTool proposed. Table 1 provides the GA optimization results for different sizes of populations. The first row of the table shows the best parameters for the Dimbeta indicator and the moving average of Dimbeta . In order to measure the effect of population size in the best solution we examine a series of different statistics. The solution with the maximum and minimum return, the average return, the standard deviation of these solutions, the time needed for convergence of the algorithm, and an efficiency index calculated by dividing max return solution by the standard deviation of solutions. Table 1. Population size effect By looking in Table 1 we can say that as long as you increase the population size the best and the average solutions are higher. However, after a population size of 30 the performance decreased. In order to take into consideration the computational costs involved since increase in population size, we calculate the time needed for solving the problem. Low population size leads to low performance and low completion time. According to the efficiency index the best solution is that given by the population size 20. In order to establish a base performance of the algorithm, 30 trials of the GA were performed, with a different random starting population for each trial. Feige. 1a. shows how performance improved over time by plotting average maximum fitness as percentage of the optimal value versus the generation number. We first captured the maximum fitness value for each of the 30 trials this is done for every generation and every trial. We then averaged the maximum fitness values and divided that number by the optimal fitness value, which was obtained by enumerative search (FinTrade tool, 23 ) this gave us the average maximum fitness as a percentage of the optimum value per generation. Feige. 1a. Base parameter settings: percentage of optimal. As can be seen in Fig. 1a. the average maximum fitness of the first generation is about 74 of the optimal value. However, by the fiftieth generation, the algorithm has usually found at least one solution that was within 90 of the optimal value. After the fiftieth generation, the solution could reach 98 of the optimal value. With performance measures from our base settings as a reference point, we examined the possible variations in the basic procedure. We studied the effect of changes in population size and crossover rate. For each different parameter setting, we performed 30 trials of the algorithm and then compared the graphs of average maximum fitness with those obtained for the base setting. First, we tried crossover rates 0.4 and 0.8. The results are shown in Fig. 1b and Fig. 1c. which are similar to Fig. 1a. As a result crossover parameters do not affect the optimal solution to a critical degree. However, the results are different when we alter the population size. According to Fig. 1d and Fig. 1e. with a small population size we had poorer results than with a large population. When we selected 80 as population size we achieved high returns in early generations. Feige. 1b. Crossover 0.40: percent of optimal. Feige. 1c. Crossover 0.80: percent of optimal. Feige. 1d. Population 80: percent of optimal. Feige. 1e. Population 20: percent of optimal. By looking at Table 2 you can compare the results of optimization of our trading system by using three different software tools. The first row gives the result for the GATradeTool against the Metastock and the FinTradeTool 23. Our proposed software tool ( GATradeToo l) can solve the optimization problem very fast without any specific restrictions about the number of total tests. The maximum number of tests that can be performed in Metastock software is 32 000. The FinTradeTool needs much more time in order to find the optimal solution. The solution provided by the GATradeTool . is close to the optimal solution of the FinTradeTool . Table 2. Comparison of three different software tools Optimized parameters (Dimbeta. MovAv (DimBeta)) The trading systems with the optimum parameters that have been found in period 159825603 were tested in the evaluation period 2560325604. The performance of our trading system has been increased in all software tools. However, the cost of time has to be considered very seriously (column 4). Feige. 2 depicts the evolution of the maximum, minimum and average return across the 300 generations for the Dimbeta trading system (population size 80, crossover rate 0.6). It can be observed that the maximum return has a positive trend. It appears to be relatively stable after 150 generations and moves in the range between 1.2 and 1 (i. e. 120100 return). For the minimum fitness no pattern seems to exist. For the average population return a clear upward trend can be found in the first 180 generations, this is an indication that the overall fitness of the population improves over time. Concerning the volatility of the solutions, standard deviation of solutions after an increase in the first generations stabilizes in a range between 0.3 and 0.6 providing evidence of a stable and efficient set of solutions. Feige. 2. Evolution of several statistics over 300 generations. Feige. 3 provides a three dimensional plot of the optimum solutions given by the GATradeTool. In axes and we have the parameters , for the dimbeta indicator and its moving average. Axis 2 shows the return of the Dimbeta trading system for the selected optimum parameters. As can be easily understood our tool provides an area of optimum solutions in contrast with the FinTradeTool that provides only the best solution. Feige. 3. A 3-D plot of the optimum area. 6 Conclusions While technical analysis is widely used as an investment approach among practitioners or academics, they are rarely focused on the issue of parameter optimization. It is not our role to defend technical analysis here, although our results show that there is some predictability in the UBS mutual fund investing in emerging stock markets based on historical data alone. Our main objective in this paper is to illustrate that the new technology of MATLAB can be used in order to implement a genetic algorithm tool that can improve optimization of technical trading systems. Our experimental results show that GATradeTool can improve digital trading by providing quickly a set of near optimum solutions. Concerning the effect of different GA parameter configurations, we found that an increase in population size can improve performance of the system. The parameter of crossover rate does not affect seriously the quality of the solution. By comparing the solutions of the optimization problem conducted by different software tools, we found that the GATradeTool can perform better, by providing very fast a set of optimum solutions that present a consistency throughout the evaluation period. Finally, it would be interesting for further research to test a series of different systems in order to see the correlation between a genetic algorithm and system performances. At a time of frequent changes in financial markets, researchers and traders can easily test their specific systems in GATradeTool by changing only the function that produces the trading signals. Acknowledgements This research paper was part of the postdoctoral research of Dr S. Papadamou that has been funded by IKY Greek State Scholarships Foundation. References 1 F. Allen. R. Karjalainen Using genetic algorithms to find technical trading rules Journal of Financial Economic. Volume 51. 1999. pp. 245271 2 H. L. Allen. M. P. Taylor The use of technical analysis in the foreign exchange market Journal of International Money and Finance. Volume 11. 1992. pp. 303314 3 J. E. Baker, Adaptive selection methods for genetic algorithms, in: Proceedings of the first International Conference on Genetic Algorithms, 1985, pp. 101111 4 R. J. Bauer. G. E. Liepins Genetic algorithms and computerized trading strategies Expert Systems in Finance. D. E. OLeary. P. R. Watkins. 1992. Elsevier Science Publishers, Amsterdam, The Netherlands 5 R. J. Bauer Jr. Genetic Algorithms and Investment Strategies 1994. John Wiley amp Sons, Inc, New York 6 W. Brock. J. Lakonishok. B. LeBaron Simple technical trading rules and the stochastic properties of stock returns Journal of Finance. Volume 47. 1992. pp. 17311764 7 S. Brown. W. Goetzmann. R. Ibbotson. S. Ross Survivorship bias in performance studies Review of Financial Studies. Volume 5. 1992. pp. 553580 8 S. Brown. W. Goetzmann. S. Ross Survival Journal of Finance. Volume 50. 1995. pp. 853873 9 Y. W. Cheung. C. Y.P. Wong The performance of trading rules on four asian currency exchange rates Multinational Finance Journal. Volume 1. 1997. pp. 122 10 K. De Jong, An analysis of the behavior of a class of genetic adaptive systems, Ph. D. Diss. University of Michigan, University Microfilms No. 76-9381, 1975 11 F. Fernndez-Rodrguez, C. Gonzlez-Martel, S. Sosvilla-Rivero, Optimisation of Technical Rules by Genetic Algorithms: Evidence from the Madrid Stock Market, Working Papers 2001-14, FEDEA, 2001. ftp:ftp. fedea. espubPapers2001dt2001-14.pdf 12 D. E. Goldberg Genetic Algorithms in Search, Optimization and Machine Learning 1989. Addison-Wesley 13 J. H. Holland Adaptation in Natural and Artificial System 1975. University of Michigan Press 14 N. Jegadeesh. S. Titman Returns to buying winners and selling losers: Implications for stock market efficiency Journal of Finance. Volume 48. Issue 1. 1993. pp. 6591 15 P. J. Kaufman The New Commodity Trading Systems and Methods 1987. John Wiley amp Sons 16 B. N. Lehmann Fad, martingales, and market efficiency Quarterly Journal of Economics. Volume 105. 1990. pp. 128 17 A. W. Lo. A. C. MacKinlay When are contrarian profits due to stock market overreaction Review of Financial Studies. Volume 3. 1990. pp. 175206 18 S. Mahfoud. G. Mani Financial forecasting using genetic algorithms Journal of Applied Artificial Intelligence. Volume 10. Issue 6. 1996. pp. 543565 19 R. N. Markellos Backtesting trading systems Journal of Computational Intelligence in Finance. Volume 5. Issue 6. 1997. pp. 510 20 L. Menkhoff. M. Schlumberger Persistent profitability of technical analysis on foreign exchange markets BNL Quarterly Review. Volume 193. 1995. pp. 189216 21 C. Neely, P. Weller, R. Ditmar, Is technical analysis in the foreign exchange market profitable A genetic programming approach, in: C. Dunis, B. Rustem, (Eds.), Proceedings, Forecasting Financial Markets: Advances for Exchange Rates, Interest Rates and Asset Management, London, 1997 22 M. Oussaidene. B. Chopard. O. Pictet. M. Tomassini Practical aspects and experiences Parallel genetic programming and its application to trading model induction Journal of Parallel Computing. Volume 23. Issue 8. 1997. pp. 11831198 23 S. Papadamou. G. Stephanides A new matlab-based toolbox for computer aided dynamic technical trading Financial Engineering News. Issue 31. 2003 24 S. Papadamou. S. Tsopoglou Investigating the profitability of technical analysis systems on foreign exchange markets Managerial Finance. Volume 27. Issue 8. 2001. pp. 6378 25 F. M. Werner. D. Bondt. R. Thaler Further evidence on investor overreaction and stock market seasonality Journal of Finance. Volume 42. Issue 3. 1987. pp. 557581 26 D. Whitley, The Genitor algorithm and selection pressure: Why rank-based allocations of reproductive trials are best, in: Proceedings of the Third International Conference on Genetic Algorithms, 1989, pp. 116121 Arithmetic single-point crossover, involves randomly cutting two strings at the same randomly determined string position and then swapping the tail portions. Crossover extends the search for new solutions in far-reaching directions. The structure of this fund and its major position at 2562004 are depicted in the following figure. Copyright 2007 Elsevier Ltd. All rights reserved.