ACISC 应用计算智能和软计算 1687 - 9732 1687 - 9724 Hindawi 10.1155 / 2019/8342461 8342461 研究文章 算法交易策略Intraweek外汇投机基于随机森林和概率单位回归 https://orcid.org/0000 - 0003 - 0031 - 7609 Chihab 尤尼斯 1 Bousbaa 代森锌 2 Chihab 马 3 Bencharef 奥马尔 2 意大利通心面 Soumia 3 杨 Miin-Shen 1 计算机科学部门 高级技工学校 伊本Toufail大学 Kenitra 摩洛哥 uit.ac.ma 2 计算机科学部门 教师的科学和技术 下级法官Ayyad大学 马拉喀什 摩洛哥 uca.ma 3 计算机科学部门 科学教师 地中海V大学 拉巴特 摩洛哥 uss.rnu.tn 2019年 27 8 2019年 2019年 18 03 2019年 07年 07年 2019年 25 07年 2019年 27 8 2019年 2019年 版权©2019年尤尼斯Chihab et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

在外汇市场上,货币的价格迅速增加和减少基于许多经济和政治因素,如商业平衡,生长指数、通货膨胀率和就业指标。有一个好的战略买卖可以从上述变化获利。一个成功的外汇策略应该考虑收益和风险之间的关系。在这项工作中,我们提出一个intraweek外汇市场外汇投机策略基于技术指标的结合。这个系统有一个两级决定,由概率单位回归模型和规则发现使用随机森林。有两个最低要求交易策略:一个规则进入市场和退出规则。我们建议的系统,进入外汇市场,应该验证两个条件。首先,它应该验证随机森林在下周访问规则,而第二个第二天的预测价值使用概率单位应该是正的。退出货币市场只是一个负面的警告从Probit或随机森林就足够了。这个系统是用来开发动态投资组合交易系统。 The profitability of the model was examined for USD/(EUR, JYN, BRP) variation within the period from January 2014 to January 2016. The proposed system allows improving the prediction accuracy. This indicates a good prediction of the behavior market and it helps to identify the good times to enter it or to leave it.

 1。介绍

强大的金融市场波动使股市对投资者风险区域。不同的投资策略在股票市场上表现为一个工具来收集更多的股票市场的股票。据威廉·奥尼尔( 1),正确的策略是寻找公司拥有快速的收入增长。收益上升速度比实际存在的市场 2]。然而,作者在这一领域已经确定了几个在股票市场投资的战略路径,被动和主动的策略。后者确保简单实现但长期回报。在短期内,猜测被认为是调节供需平衡因素,而导致价格平衡符合现实的经济状况。这种策略是基于购买时价格低于平均值和销售时价格更高。在外汇情况下(外汇市场),这一假设并不采用统计人员考虑到临时一系列外汇是随机的。在现实中,这些临时的不可预知性系列给人的印象是随机变化的。然而,我们可以注意到外汇市场的周期性特征( 3)通过使用大规模的分析。历史趋势的研究和分析可以帮助有时预测市场走势。

目前,投机者视为第一状态的市场上的信息来源。猜测技术不断地改进( 4]。实际上有两种广泛使用的方法:首先,一个经典的方法基于计量经济学中采用的技术指标。第二种方法是基于数据挖掘算法。投资策略用于外汇市场有很多:天交易,交易新闻,摆动交易,趋势交易、套利交易、图表交易水平,基于数据挖掘的算法和技术指标交易。大多数投资者在外汇市场上没有手动行动,但他们通常会寻求计算机算法选择一个策略是简单的或复杂的。

在本文中,我们提出一个安全的投资策略分两个阶段:

首先,我们选择了一种时间的方法没有任何规定性假设金融市场趋势。这种方法只在观察是基于汇率的演变和各种临时的指标。我们使用随机森林算法( 5)来预测中期进化。然而,我们已经能够建立规律的买进或卖出的决定基于我们投机动机模型。在第二个步骤中,我们选择了Probit模型( 6)应用于外汇技术指标。两个系统融合在一起形成intraweek投资策略。我们的建议将提供交易商来创建一个交易策略从不同的指标。这种策略是信心的一种方式来确定市场方向。

 2。相关工作

算法交易的发展最近有所改善。引入了许多新的研究领域,最重要的是,与金融的结合算法研究进行研究成为可能,是不可能仅仅几年前。如今,电子金融市场尤其是进展和大多数交易电子化。电子金融市场取得额外的利益作为一个新的研究领域特别使用交易算法和市场预测方法。

在文学、传统交易系统只实现一个特定的策略 8),而计算机算法交易是一个方法,使一个特定的投资而不是人类。这些交易系统使用相关的历史数据来定义良好的规则。的计算机处理是必要的预测方法在金融市场上,有很多优势以及缺陷的技术交易和预测方法。许多研究表明,算法的方法与传统方法相比优越。由于全球市场不断发展,变得更加互动,金融市场的预测和交易活动将发挥更重要的作用。使用的方法和技术来管理外汇比以往任何时候都更为复杂。出于这个原因,研究人员认为,算法交易方法可以提高投资的效率以更低的价格由于更快的同步分析的众多因素;此外,该算法独立于人类的心理状态。其他研究人员认为,这种交易方式也可以减少有效的有几个原因。首先,做一个好的交易策略本身是非常复杂的非平稳的,嘈杂的,确定性预测金融市场的本质。 However, machines cannot replace human intelligence or human critical aspect. In addition, there could also be problems with the calibration of the trading system, which would give incorrect timing of the buying and selling of an asset.

在过去的几十年,全球贸易市场的增长使得外汇市场的最大和最赚钱的金融市场。外汇市场是24小时开放/ 24参与者买卖货币对的地方。货币市场的特点是高流动性,大量的贸易,和持续交易。外汇市场是一个波动的市场有很大的不确定性。然而,外汇投资者暴露在汇率风险,这可能严重危及国际贸易( 9, 10]。这些投资者需要了解这个市场的不确定性和对他们的投资决策产生重大影响。然而,准确的预测汇率可以减少这种不确定性和对双方都是有利的国际贸易流动和投资者的利润。因此,汇率变动和可预测性最近几十年已经被广泛的研究 11]。

最现代的实用方法预测汇率走势,使用基本和技术分析具有重要意义。

有多个研究基本面分析应用于预测汇率。在这些研究中,我们可以引用,例如,1983年米斯和罗格夫,1986米斯柏丽Selover 1987 McNown和华莱士1989年,柏丽Pecchenino 1991 Sarantis 1994, Cushman, 2000 ( 7, 12- - - - - - 17]。在本文中,我们集中我们的研究主要集中在技术分析使用数据挖掘的算法和技术指标来预测未来汇率值。

普尔(1967)和Dooley和谢弗(1976)是描述的先驱技术分析( 18, 19]。普尔(1967)表明,交易规则的应用产生重要的好处。多亏了这些规则,我们可以解决买卖订单如果汇率上涨或下跌相比已经固定的百分比。Dooley和谢弗(1976)也应用七个不同的过滤规则9货币。他们得出的结论是,使用简单的交易策略基于信息过去汇率波动产生了巨大的回报。

最近,许多先进的技术已经广泛应用于预测汇率的波动( 20.]。这些技术利用计算机工具的技术进步。这一进步允许管理大数据和研究复杂,非线性和动态特征的金融市场。最近的研究表明,80%到90%的专业人士和个人投资者依靠至少某种形式的技术分析( 21- - - - - - 23]。

一些算法被用来预测汇率为随机森林,遗传算法,支持向量机,神经网络 24- - - - - - 26),线性判别分析,线性回归,然而,朴素贝叶斯分类器。为了提高精度,布斯等人随机森林算法用于分类。它表明regency-weighted合奏的随机森林产生优越的结果在分析大样本的股市DAX指数方面的盈利能力和预测精度与其他乐团相比技术( 27]。此外,索伦森等人表明CART决策树执行比单因素模型基于同一变量在挑选股票投资组合( 28]。另一个最常用的算法来提高测试精度是支持向量机(SVM),提出了波沙et al。 29日]。王等人在 30.]证明了k - means SVM (KMSVM)分类器的算法可以加快响应时间减少支持向量的个数,同时保持一个兼容的支持向量机的精度。

一些研究人员专注于神经网络训练算法。根据Shaoo et al .,级联功能链接人工神经网络(CFLANN)在外汇市场表现更好 31日]。

实际上,一些研究人员建议应用整体方法为了提高回归和分类性能。在[ 32),他和沈使用了一个基于神经网络的引导方法构建多个学习模型和组合这些模型的输出预测汇率。

如今,一些统计研究用随机森林和概率单位回归来预测汇率。根据Lv和张 33),RF算法显示其性能对支持向量机方法和多元线性回归方法来准确预测人民币。

在本文中,我们将使用一个随机森林分类算法和概率单位回归。我们结合这两种算法来预测汇率。

 3所示。交易算法方法

交易策略是一个重要的金融方法。它可以被定义为一组指令盈利并产生一个积极的投资回报。一些交易策略并不总是完全盈利作为独立的策略。事实上,金融市场变化,不断和有时相当显著。这种稍纵即逝的后果之一是,交易策略,可能过一段时间可能会死,有时很突然。有许多因素影响交易策略的结果,因此没有通用模型能预测一切好所有的问题,甚至是一个最好的交易方法,所有情况。

然而,技术的进步催生了新型的交易等交易策略基于数据挖掘和机器学习。这种策略是基于算法交易和实时显示它可以执行复杂的分析,基于定义的策略所需的决策而无需人工干预,自动发送贸易执行从电脑到交易所。一个算法可以很容易地贸易数以百计的问题同时使用先进的法律与层的条件规则。算法交易旨在识别通常很短暂的信号或趋势通过分析大量的不同类型的数据。许多这样的交易信号非常微弱,他们不能在自己的交易。因此,这类信号的一个结合了很多重要的权重放大和增强整体的信号,就可交易的和有利可图的交易成本。

目前,外汇市场是世界上最大的、最具流动性的市场。然而,交易策略使用算法交易已经成为绝对必须为生存为买卖双方。由于混乱,嘈杂的,和不稳定的性质数据,主要交易员不得不迁移到使用的自动算法交易,以保持竞争力。使利润从每个策略,大多数的研究都集中在每天,每周甚至每月预测。

过去的十年目睹了增加依赖人工智能预测在不同的市场,如外汇市场(外汇),包括随机森林(RF),线性回归,遗传算法(GA)、人工神经网络(ANN)和支持向量机(SVM)方法对金融时间序列的分析和预测。

3.1。人工神经网络的方法

神经网络是一个关键的主题在一些报纸为了恰当的交易系统。Matas et al。 34)开发了一个算法,基于神经网络和GARCH模型进行预测而heteroskedastic时间系列的操作环境。Enam [ 35)尝试了安的可预测性每周外汇数据并得出结论,在其他问题上,最关键的问题之一引入这种模式时遇到的结构数据。Kamruzzaman [ 36)不同的ANN模型相比,喂它们技术指标根据过去的外汇数据,并得出结论,基于共轭梯度的比例模型实现更紧密的预测比其他算法。c·埃文斯et al。 37]介绍了预测和决策模型基于人工神经网络(ANN)和遗传算法产生盈利盘中外汇交易。他们使用的数据集的研究由70周过去的3大多数货币对交易的汇率: G B P \ U 年代 D , E U R \ G B P , E U R \ U 年代 D 。他们的测试已经证实,每日外汇汇率时间序列并不是随机分布的。提出系统改进了预测率。

据俄梅珥培拉特经济特区等。 38),结合遗传算法和神经网络在股票交易系统许可,从而获得更好的结果相比,购买和持有和其他广泛的股票交易系统甚至相对更长。他们提出的系统是基于使用优化技术分析特征参数值作为神经网络的输入特征的股票交易系统。他们用遗传算法来优化RSI参数上升趋势、下降趋势市场条件。

 3.2。遗传算法的方法

遗传算法(GA),由荷兰 39),是一种优化算法,用于查找函数的最大值或最小值。它们用于多个应用程序自动编程和机器学习等。他们也适合建模现象在经济学、生态学、人类的免疫系统,群体遗传学和社会系统。

在工作 40],萨勃拉曼尼亚提出一个自主代理设计方法,利用遗传算法和遗传编程,以确定最优交易策略。他们提出的系统,基于竞争的代理人,记录平均夏普比率在0.33和0.85之间。在文献[ 41),Hirabayashi引入了一种预测基于遗传算法的优化模型。这个模型搜索买卖规则,回报最高的利润。他们使用的技术指标,如滑动平均(MA)和相对强弱指标(RSI)自动生成交易规则。这些规则组成的技术指标和参数,作为遗传算法的基因型。在[ 42),特别是当等人提出了一个工作也试图优化自动化交易员的时机。他们使用GA为短时间制定交易规则,使用技术指标,如肢体重复性劳损症,作为遗传算法的染色体。他们提议使用开发规则西班牙公司的股票。然而,描述太初步工作,以便与我们的系统进行比较。文献[ 43]给出的一个工作,试图产生买卖信号对30家公司的股票在德国(DAX30)。他们使用的技术指标应用于遗传算法以及[ 42排名,然后根据股票信号强度调整投资组合。然而,他们没有设计任何标准兑现利润和损失减少。在[ 44),r·拉等人提出了一个买卖策略通过使用遗传算法来预测股票市场指数。他们的研究结果表明,遗传算法是有前途的模型,收益最高的利润以及其他类似的模型。

 3.3。支持向量机方法

支持向量机(SVM)是Vapnik和同事在1992年提出的。支持向量机已经应用在许多不同的领域,科学,和行业分类和识别模式。模型基于支持向量机(SVM)是最广泛使用的技术来预测金融时间序列的运动方向。它正变得越来越多,一个活跃的学习方法。

金融时间序列预测,曹( 45)提出了一个支持向量机专家树形结构的架构。仿真结果表明,SVM获得专家取得显著提高泛化性能相比,单一的支持向量机模型。在[ 46],Kyoungjae相比,支持向量机与bp神经网络来预测股票价格指数。实验结果表明,支持向量机提供了一个有前途的替代股票市场预测。在文献[ 47),y元提出了一个多项式光滑支持向量机方法来预测金融时间序列的运动方向。他们的论文是基于理论的宏观经济分析。结果表明,机器学习方法是非常重要的预测研究和多项式光滑支持向量机是一种非常强大的模型。B.M.恩里克et al。 48]利用支持向量回归(SVR)来预测股票价格对于大型和小型的资本化和在三个不同的市场,采用价格每日和最新的频率。他们比较模型与随机游走模型提出的有效市场假说。结果显示SVR具有良好的预测能力,尤其是当使用定期更新的策略模型。

 3.4。随机森林方法

提出的随机森林Breiman (2001)。它显示了生成准确的预测模型。它可以自动识别的重要预测因子,这是有用的,当数据包含大量的变量,我们面临困难的决定哪些变量需要包括在模型中。

随机森林是一个机器学习的应用之一。它有助于理解金融市场。随机森林已经使用在几个工作为了击败市场的预测价格的变化。预测价格波动是非常困难的区域,因为它对投资的影响。预测股票的未来方向运动,Khaidem et al ., ( 49),使用一个随机森林分类器建立预测系统。他们使用各种参数如精度、精度、召回和特异性评估系统的鲁棒性。

在文献[ 50Patel)等人用混合系统预测未来股票市场指数的值。他们提出了两级融合方法涉及支持向量回归(SVR)在第一阶段。第二阶段融合方法的使用人工神经网络(ANN),随机森林(RF),和SVR导致SVR-ANN SVR-RF, SVR-SVR融合预测模型。验证实验结果,他们选择的两个指标,即CNX俏皮和标普孟买证交所Sensex (BSE)从印度股市。然后,他们预测性能与安的混合模型相比,射频,SVR。在[ 51),m·库马尔等人五算法用于预测的方向标普CNX俏皮的市场指数分析了无。他们测试了线性判别分析(LDA),分对数,人工神经网络(ANN),随机森林,和支持向量机。实验结果表明,随机森林方法优于其他方法。

在文学中,应用了许多不同的方法来预测股票市场的回报。尽管这些研究,股票市场战略的定义和实现仍是一个难以解决的问题。

 4所示。主要概念

回归的算法并不局限于线性或逻辑回归,事实上有很多形式的回归和每一个人都有自己的重要性和具体情况他们适当的应用( 52]。

4.1。Probit模型

我们的选择是Probit模型,这是一种回归的因变量只能取两个值,对于我们的情况(1)增加或减少(0)货币的价值( 53]。

如果我们考虑二元选择模型,难以察觉的响应变量 y 我 t ∗ 可以写: (1) y 我 t ∗ = x 我 t β + α 我 + ϑ 我 t 与我= 1,…N

和t = 1,……,T。

观察到的二元变量 y 我 t 被定义为 (2) y 我 t = 1 我 f y 我 ∗ ≥ 0 (3) y 我 t = 0 , o t h e r w 我 年代 e 在哪里 α 我 未被注意的效果

和 ν 我 t 一般误差项。

在Probit模型情况下,累积分布是一个标准的正常: (4) 公关 ⁡ y 我 t = 1 ∣ x 我 , α 我 = 公关 ⁡ y 我 t = 1 ∣ x 我 t , α 我 = φ x 我 t β + α 我

第一个平等的州 x 我 t 被认为是严格外生条件 α 我 。另一个标准假设是结果 y 我 t = y 我 1 、…… y 我 T 是独立的条件( x 我 , α 我 ) 。因此,密度 y 我 t 条件(ξ α我)可以推导出: (5) f y 我 , … , y t ∣ x 我 , α 我 ; β 我 = ∏ t = 1 T f y t ∣ x 我 t , α 我 ; β , 在哪里 f ( y t ∣ x t , α ; β ) = φ ( x t β + α ) y t ( 1 - - - - - - φ ( x t β + α ) 1 - - - - - - y t ] 。

在任意影响面板框架中,未被注意的效果 α 我 习条件将正态分布 α 我 | x 我 ~ N ( 0 , σ α 2 ) 。

(即独立性假设的结果。,crisis and tranquil periods) is limited and it can be relaxed by using the formula: (6) 公关 ⁡ y 我 t = 1 ∣ x 我 = 公关 ⁡ y 我 t = 1 ∣ x 我 t = φ x 我 t β α

在哪里 β α = β / ( 1 + σ α 2 ) 1 / 2 估计从池Probit的 y 我 t 在 x 我 t 使用胡贝尔/白色稳健标准误差,这意味着平均系数是部分影响。

 4.2。随机森林

随机森林(RF) ( 54)是一种机器学习算法,它最好是定义为一个“组合每棵树的树预测取决于独立随机向量的值采样和分布相同的树在森林里”( 55]。

随机森林是用于分类和回归;随机决策森林对经典的决策树过度拟合的问题( 56]。随机森林算法结合了随机子空间的概念和装袋。森林决策树算法对多个决策树驱动执行学习不同子集的数据。

随机森林算法:

输入:描述语言;样品年代

开始

初始化到空的树;根是当前节点

重复

决定当前节点是否终端

如果节点是终端

指定一个类

其他的

选择一个测试和创建子树

如果

移动到下一个节点未开拓的如果有一个

直到你得到决策树

结束

决策树提供有效的方法,在实践中很好地工作。决策树的优点是易于理解的,任何用户(如果生产树的大小是合理的),并有直接翻译的决策规则。

 4.3。Preassessment分类算法

为了证明我们使用随机森林分类器的选择,我们评估结果超过90天的支持向量机(SVM),人工神经网络(ANN)和随机森林算法。出于这个原因,我们使用490天(欧元/美元货币对时间序列)训练数据。在这个preassessment我们用一个示例数据集组成的欧元/美元货币对时间序列从1月到2015年12月。以下数据 1, 2和 3显示系统的精度和性能。

模型损失和MSE、美和RMSE性能指标的安(测试精度0.519)使用Keras包。

交叉验证分数和MSE、美和RMSE SVM分类器的性能指标。

交叉验证分数和MSE、美和RMSE随机森林分类器的性能指标。

利用人工神经网络、支持向量机和随机森林算法来构建一个算法交易模型intraweek外汇投机,我们可以清楚地通知,随机森林显示更好的结果比安和支持向量机对我们的案例研究。

 4.4。投资策略

哈利马科维茨的投资组合理论出现在1952年( 57]。这一理论旨在理性宪法之间的套利投资组合收益和风险。事实上,投资组合的风险可以正确测量方差的盈利能力。现在的问题是如何减少风险而获得最大的收益。

由于外汇市场的波动,有三种类型的组合:高频交易员,长期投资者和公司。本文提出一种交易高频交易员猜测小intraweek价格波动( 37, 58]。

在高频交易策略中,我们可以在许多类型的交易者之间独立 59]:

黄牛:外汇黄牛执行事务的很短的时间和把他们的增加很快,即使市场继续发展的方向猜测。剥皮需要足够的投资基金。

全职浪子:Swing贸易就是打开一个料理地位在上升趋势的开始和结束位置只是在这一趋势的结束时,通过使用明显倾向。

技术分析:技术分析方法来预测金融市场的波动被发现模式和利益关系在金融时间序列的历史。趋势的技术分析旨在确定时更好的进入市场。为此,我们认为,外汇市场是一个长期方向。他们使用每月、每周和每日图表来准确确定当低迷可能发生( 60]。

基本分析:任何市场趋势必须放置在它的经济背景下,反之亦然的经济和政治事件直接影响市场趋势( 61年]。这个分析是基于研究一个国家的经济和金融的性能以确定市场的实际价值和未来汇率的演变。这种分析主要是基于经济信息以及重要的政治事件。指标之一,我们可以报价利率,经济增长指数、通货膨胀率、就业指标,平衡贸易。这些指标的观察和评价可以了解一个国家的经济状况。这些指标的变化可以触发重要在外汇市场上的动作会影响这个国家的货币价值。

经验,交易员将这些技术找到一个策略,最大限度地提高他们的利润,他们可以包括一些不寻常的方法如双零方案策略。

这种策略是完全基于心理价值的现象。这意味着大多数的交易者倾向于简化股票价格通过一轮位置值。这些值经常因此成为支持或阻力的现象。

在我们先前的工作我们采用埃文斯et al。 37)策略,图 4;它首先用历史数据来训练决策系统。一次训练中,我们使用系统预测管理购买,,和销售行动:

如果系统预测积极输出,我们购买。

购买后,如果系统预测积极的进化,我们举行。

购买后,如果系统预测负输出,我们出售。

投资策略提出了( 7盘中外汇。

我们可以添加时间限制和过程可以重复。

 5。方法和结果 5.1。数据集

我们开发两个数据集来训练我们的系统。

第一个数据集用于这项研究包含了650天过去的欧元/美元汇率的货币对。一个货币对欧元/美元。当交易货币对欧元/美元,美元正在出售购买欧元;欧元称为基础货币和美元称为报价。

每天,我们使用一个时间序列组成的过去7天的移动平均线上周和最后一个月。

第二个数据集是由技术指标(TI)的集合。技术指标是一个值或一个数学公式用于分析股票市场证券为了预测价格走势。数据集包含了最常用的钛( 62年]:

相对强弱指标(RSI)

随机振荡器

平均定向指数(ADX)

商品频道指数(CCI)

高低

DMI(定向运动指数)

移动平均线

5.2。投机

我们开始通过评估随机森林回归结果在一个简单的数据集由一组时间序列有关欧元/美元在两年内变化。图 5显示预测输出与实际输出和表 1相关的性能结果。

MSE的树木数量的影响(均方误差)和梅在70天。

数量的树 One hundred. 300年 500年 700年
均方误差 1.257十−5 1.1102十−5 1.0922十−5 1.1129十−5
美 1301年10−4 1189年10−4 1184年10−4 1191年10−4
% VAR解释 99.78 99.81 99.81 99.80

预测值与真实值(预测值为红色,实际值在黑色);随机森林回归使用:500树和8个变量试图为每一个分裂。

第一次评估随机森林的输出表明该算法性能很好一般的MSE 10−5。树的数量不能有效地影响系统的性能,而最好的结果被发现的500棵树。在分析错误的数量当随机森林预测第二天的上升趋势和在现实中这是一个下降趋势也如果我们考虑在外汇市场中,我们发现的风险程度是非常危险的考虑回归结果在时间序列作为一个独特的决策的输入。

在第二个测试中,我们使用的第一个数据集组成的时间序列来训练Probit模型来推测第二天值。第二个数据集组成的技术指标是用来训练随机森林预测未来7天的全球趋势;这个选择是在许多实验。

估计二进制模式的适用性评估可以通过计算真假观测的数量和通过计算观测的数量等于1或0,模型分配一个正确的预测分类治疗任何估计概率高于0.8(或低于0.2),作为一个预测的任务1 (0) 63年, 64年]。

随机森林评估时,我们考虑一个星期与积极的进化,如果天数显示上升趋势比4。表 2和 3显示分类结果和图 6显示了一个策划的例子使用概率单位回归预测输出与实际产出。

分类结果第二天使用Probit模式推测为109天。

预测价值/真正的价值 积极的发展 消极的进化
积极的发展 39 13
消极的进化 8 49

分类结果每周趋势进化结果使用随机森林在17周。

预测价值/真正的价值 积极的发展 消极的进化
积极的发展 7 2
消极的进化 2 6

预测值与真实值(预测值为红色,实际值在黑色);概率单位回归。

从表 1和 2我们可以注意到,这两个分类器可以给我们一个清晰的概念以不同的方式对市场趋势。Probit二元回归显示了一个76的准确性,随机森林的4%和80年7%。因此,我们决定建立一个基于两个分类器的组合投资策略。在下一节中,我们将解释如何结合这两种算法输出提出一个有效的投资策略。

 5.3。我们的投资策略

创建一个有效的策略,我们需要确定个人风险,一个现实的时间和资源的可用性,在贸易水平的期望。自我反省的这些特征可以被评估不同的策略。

外汇投资,杠杆是任何技术,涉及使用借入资金购买资产。网上经纪公司为他们的客户提供了杠杆。实际上这个工具允许投机与更多的钱比可用资本为了使收益更有趣。货币汇率波动往往很低。没有杠杆,它会很难获利,即使重要的投资资本。在我们的实验中,我们使用1:10 0的杠杆,这是等价的一个投资1000美元,我们可以踏多达100000美元。

投资提出了序列图 7。首先,我们只会投资于周与积极的趋势,在每一个积极的一周,我们将检查第二天积极的贸易趋势。通过这种方式,我们可以减少错误的投资率。该战略可以描述如下。

拟议的投资策略的序列。“圣”:随机森林产出和st2: Probit模型输出。

 步骤1。

对于每个货币我们检查本周积极趋势使用以下规则:

根据技术指标,我们检查市场地位的这些情况 65年, 66年]:

超卖情况:这是一个情况,资产价格大幅下降到低于其实际价值。这是一个迹象,可能价格会反弹。

超买情况:一种情况一定资产需求的增长过于没有道理。可能是一个迹象。

看涨背离:价格趋势是悲观而指示器显示相反。指示器显示增加资产的价格,而资产继续下跌。这可以分析可能逆转的上升趋势和未来的购买信号。

看跌背离:它的对立面是看涨背离。这是通过逆转跌势并分析销售信号。

如果没有检测到上述情况,我们以Probit决定为最终决定。

如果有一个积极的趋势,进入步骤2。

步骤2。

每一天的星期

如果有一个积极的预测购买和步骤3

结束

步骤3。

通过考虑1:10 0的优势:

虽然(货币的变化在-10年pip + 5 pip和保存时间< 420分钟)

如果货币失去了超过10 pip然后出售。

如果人民币赢得超过5 pip然后出售

结束

5.4。结果与讨论

每天我们解决投资1000美元

在17周1:10 0的杠杆,

最大投资5000美元+福利在17周,

停止失去屏障的20%,

销售订单10%的利润。

表 4, 5, 6回报率的节目三对外汇美元/欧元、美元/英镑和美元/杰伊在17周,使用Probit二元回归,随机森林,拟议的系统。

美元/欧元投资结果使用随机森林,Probit模型,提出系统在17周。

每天的数量投资/ 119 数量的积极投资 最终结果
Probit 72年 43 -778美元
随机森林 74年 51 2442美元
提出了系统 63年 49 4448美元

美元/英镑投资结果使用随机森林,Probit模型,提出系统在17周。

每天的数量投资/ 119 数量的积极投资 最终结果
Probit 68年 47 356美元
随机森林 71年 58 2412美元
提出了系统 54 42 2538美元

美元/杰投资结果使用随机森林,Probit模型,提出系统在17周。

每天的数量投资/ 119 数量的积极投资 最终结果
概率单位回归 63年 43 30美元
随机森林 61年 46 1307美元
提出了系统 51 41 3238美元

我们测试了我们的投资策略在17周,两年数据从2014年1月到2016年1月来训练我们的算法。最终结果我们计算累积获得在17周。

表显示,提出的系统演示了更好的结果比随机森林或概率单位回归。来验证我们的模型,我们选择评估其效率在三个货币对和三对提出的策略显示了最好的结果。此外,该系统需要更少的投资赚更多的利益。

该模型产生一个非常有前途的利润平均利润的4.8%。我们只用几周与积极的趋势。

该系统使我们能够减少日常投资而不失去获利机会的数量。我们可以看到一个真正的积极率,78%。提出的系统,它是68%的随机森林和Probit为57%。真正的积极措施实际积极正确的比例确定。

我们应该澄清一下,前面的结果影响了汇率对全球趋势在接下来的六个月。这意味着它是与宏观经济和政治形势有关。例如,结果得到的美元/英镑(只有2538美元,累计受益)可以解释货币对的行为。很明显,我们有一个横向的趋势。横向趋势水平的价格运动。美元/欧元对我们可以注意到一个上升趋势超过8周。

我们也受益于货币市场相对稳定,变化超过百分之一是罕见的。

同时,迄今为止还没有被提到一个重要的问题是交易成本。对于每笔交易,外汇市场是一个目录的市场。而不是一个委员会,pip蔓延。一个脉冲传播的区别是买卖价格在同一时刻。我们认为1皮普的佣金。从这一事实,当使用杠杆,我们推断,主要是一些货币对导致小幅上涨,导致过度的损失;过度获得非常罕见。

一般来说,外汇交易者行为情绪与恐惧和希望。通过这项工作,我们提出了一个交易策略,允许把情绪放在一边,避免交易错误(贪婪、恐慌或怀疑),而不是错过了交易机会。显然我们的策略给出了输入和输出信号时,预定义的规则一致。在这一刻,我们的系统是触发不管情绪和性能的最后输或赢的位置。

提出了工作成果展示的好处我们的系统相比,一个简单的使用使用随机森林回归或分类。考虑结果,使用相结合的分类和回归树可以实现为一个成功的算法交易系统。我们的研究结果表明,进一步的研究在许多算法的连续组合外汇投资组合管理是有用的。这种组合帮助交易员决定的时刻我们可以购买或出售货币对。

 6。结论

外汇交易货币对和许多人有很多,每一对不同于其他,每个人认为以自己的方式。找到最好的交易策略是一个复杂的关注。为了找到一个适当的解决方案,我们在这项研究中提出了一个新的策略基于两种数据挖掘算法。我们的方法是引入一个预测和决策模型产生盈利intraweek投资策略。提出的策略可以改善intraweek高频交易的交易结果。执行测试的结果已经证明了相当大的优势,我们的系统和一个简单的使用使用随机森林回归或分类。这样的结果是有前途的研究连续许多算法外汇投资组合管理的结合。

得出基于分类和概率单位回归算法交易可以有效地提高预测精度。这种组合有助于识别买入或卖出货币对的好时机。拟议的系统,在此基础上结合,帮助交易员将从外汇市场上的许多机会中获利。

 数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

 的利益冲突

作者宣称没有利益冲突。

 卡利夫 r·M。 简单的临床测量未能预测静脉内溶栓后灌注状态 内科医学年鉴 1988年 108年 5 658年 10.7326 / 0003-4819-108-5-658 Vajda V。 只能一个交易员使用“旧”的技术指标在外汇市场是成功的吗? Procedia经济学和金融学 2014年 15 318年 325年 10.1016 / s2212 - 5671 (14) 00515 - 2 伯伦斯坦 年代。 报告的市场竞争模拟小组供需平衡在加州津贴市场和潜在的市场操纵 研究所哈斯工作报告 2014年 251年 狼 R。 孕产妇营养调节供给和需求通过印迹基因在哺乳动物中 《生理学 2003年 541年 35 44 Breiman l 随机森林 机器学习 2001年 45 1 5 32 2 - s2.0 - 0035478854 10.1023 /:1010933404324 Zbl1007.68152 杜宾 j . A。 河流 D。 选择性偏差的线性回归,分对数和probit模型 社会学方法与研究 1989年 18 2 - 3 360年 390年 10.1177 / 0049124189018002006 2 - s2.0 - 84970301780 柏丽 r·T。 Selover D D。 协整和汇率决定模型 国际期刊的预测 1987年 3 1 43 51 10.1016 / 0169 - 2070 (87)90077 - x Fusai G。 Roncoroni 一个。 实现模型定量金融学:方法和案例 2008年 施普林格,柏林 施普林格科学与商业媒体 MR2386793 Hooper P。 在某些 s W。 汇率的不确定性的影响国际贸易的价格和体积 国际经济学杂志 1978年 8 4 483年 511年 10.1016 / 0022 - 1996 (87)90001 - 8 姚 J。 李 Y。 棕褐色 c . L。 期权价格使用神经网络预测 ω 2000年 28 4 455年 466年 10.1016 - 0483年颁布/ s0305该政令旨在(99)00066 - 3 El Shazly m·R。 El Shazly h·E。 神经网络的预测性能比较和远期汇率 跨国公司财务管理杂志》上 1997年 7 4 345年 356年 10.1016 / s1042 - 444 x (97) 00018 - 2 米斯 r。 罗格夫 K。 实证汇率模型的年代:他们适合的样品吗? 国际经济学杂志 1983年 14 1 - 2 3 24 10.1016 / 0022 - 1996 (83)90017 - x 2 - s2.0 - 33846907054 米斯 r。 测试在外汇市场泡沫:闪闪发光的利率吗? 政治经济学杂志 1986年 94年 2 345年 373年 10.1086/261377 McNown R。 华莱士 M。 协整检验货币汇率的长期均衡模型 经济学的信件 1989年 31日 3 263年 267年 10.1016 / 0165 - 1765 (89)90011 - 6 Zbl1375.91179 柏丽 r·T。 Pecchenino r。 寻找平衡关系在国际金融的货币模型 国际货币和金融杂志》上 1991年 10 4 582年 593年 10.1016 / 0261 - 5606 (91)90009 - 9 Sarantis N。 货币汇率模型从长远来看:实证调查 Weltwirtschaftliches档案 1994年 130年 4 698年 711年 10.1007 / BF02707532 Cushman d . O。 的失败Canadian-U.S货币汇率模型。美元 加拿大《经济学/ Revue法裔加拿大女子d 'Economique 2000年 33 3 591年 603年 10.1111 / 0008 - 4085.00031 普尔 W。 投机价格随机漫步:分析十灵活汇率的时间序列 南部经济杂志 1967年 33 4,货号468 10.2307 / 1055642 杜利 m P。 沙佛 J。 分析短期汇率行为:1973年3月至1981年11月 浮动汇率和世界贸易和支付的状态 1973年 43 70年 Moscinski R。 Zakrzewska D。 构建一个高效的进化算法预测外汇市场 智能数据工程与自动化学习-理想2015 2015年 9375年 可汗 施普林格国际出版 352年 360年 在计算机科学的课堂讲稿 10.1007 / 978 - 3 - 319 - 24834 - 9 - _41 泰勒 m P。 艾伦 H。 使用技术分析外汇市场 国际货币和金融杂志》上 1992年 11 3 304年 314年 10.1016 / 0261 - 5606 (92)90048 - 3 2 - s2.0 - 0000659363 Menkhoff l 使用技术分析基金经理:国际证据 银行与金融杂志》上 2010年 34 11 2573年 2586年 2 - s2.0 - 77955924033 10.1016 / j.jbankfin.2010.04.014 他 Y。 摩尔 D。 基本的使用和技术分析外汇交易商:香港的证据 国际货币和金融杂志》上 1998年 17 3 535年 545年 10.1016 / s0261 - 5606 (98) 00011 - 4 Sahoo D。 智利的一个 K。 Mishra 年代。 Senapati m·R。 时间序列预测的技术 国际研究科学和管理杂志》上 2015年 2 6 13 熊猫 C。 纳史木汗 V。 与人工神经网络更好地预测汇率 《政策建模 2007年 29日 2 227年 236年 2 - s2.0 - 33947732099 10.1016 / j.jpolmod.2006.01.005 倪 H。 阴 H。 使用混合神经网络和交易汇率预测指标 Neurocomputing 2009年 72年 13 - 15 2815年 2823年 10.1016 / j.neucom.2008.09.023 2 - s2.0 - 77958504152 展位 一个。 gerd E。 McGroarty F。 自动交易与性能加权随机森林和季节性 专家系统与应用程序 2014年 41 8 3651年 3661年 2 - s2.0 - 84891714796 10.1016 / j.eswa.2013.12.009 索伦森 e . H。 米勒 k . L。 Ooi认为 c K。 决策树方法来选股:一个进化树模型性能也是最好的 项目组合管理》杂志上 2000年 27 1 42 51 2 - s2.0 - 0035238783 10.3905 / jpm.2000.319781 波沙 b E。 盖恩 i M。 Vapnik v . N。 训练算法最优分类器 学报》第五届ACM计算学习理论研讨会(柯尔特92) 1992年7月 144年 152年 2 - s2.0 - 0026966646 王 J。 吴 X。 张 C。 基于k - means聚类支持向量机的实时商业智能系统 国际杂志的商业智能和数据挖掘 2005年 1 1 54 64年 10.1504 / IJBIDM.2005.007318 智利的 年代。 时间序列预测的技术 国际研究科学和管理杂志》上 2015年 2 6 13 他 H。 沈 X。 引导外汇汇率预测的方法 《2007国际联合神经网络会议上,IJCNN 2007 2007年8月 美国 1272年 1277年 2 - s2.0 - 51749101521 Lv W。 张 R。 人民币有效汇率的回归模型基于随机森林 第二届国际会议上的电子商务和电子政务,ICEE 2011 2011年5月 中国 4781年 4783年 2 - s2.0 - 79960433461 Matias J。 Febrero-Bande M。 Gonzalez-Manteiga W。 Reboredo J。 提高GARCH和神经网络heteroskedastic时间序列的预测 数学和计算机模拟 2010年 51 3 - 4 256年 271年 10.1016 / j.mcm.2009.08.013 Zbl1190.91126 伊玛目 一个。 最优外汇预测的人工神经网络拓扑 学报》第46届东南地区会议上XX, ACM-SE 46 2009年3月 美国 69年 73年 2 - s2.0 - 70450069620 Kamruzzaman J。 Ruhul 答:S。 ANN-based预测外汇汇率 神经信息Processing-Letters和评论 2004年 49 58 埃文斯 C。 帕帕斯 K。 Xhafa F。 利用人工神经网络和遗传算法来构建一个算法交易模型当天外汇投机 数学和计算机模拟 2013年 58 5 - 6 1249年 1266年 2 - s2.0 - 84880585278 10.1016 / j.mcm.2013.02.002 经济特区 o . B。 Ozbayoglu M。 Dogdu E。 基于进化基于深层神经网络的股票交易系统优化技术分析参数 114年 程序的复杂的自适应系统会议主题:工程网络物理系统、中科院2017人 2017年11月 美国 473年 480年 2 - s2.0 - 85039995536 荷兰 j . H。 适应在自然和人工系统:一个介绍性的分析与应用生物学、控制和人工智能 1975年 牛津大学,英国 密歇根大学出版社 MR0441393 萨勃拉曼尼亚 H。 Ramamoorthy 年代。 石头 P。 ▪库 b . J。 设计安全、盈利自动化股票交易代理使用进化算法 《第八届年会 2006年7月 西雅图,华盛顿,美国 1777年 10.1145/1143997.1144285 Hirabayashi 一个。 Arahna C。 Iba H。 使用遗传算法优化外汇的交易规则 2009年, http://www.dollar.biz.uiovwa.edu。 de la葡萄酒 D。 加里多 一个。 Laviada J。 戈麦斯 一个。 遗传算法优化时间股市投资 《第八届年会 2006年7月 西雅图,华盛顿,美国 1857年 10.1145/1143997.1144298 Schoreels C。 洛根 B。 加里波第 j . M。 代理为基础的遗传算法采用金融股市技术分析交易决策使用的历史数据 学报IEEE /每各月ACM国际会议上智能代理技术。IAT 2004 2004年9月 中国 421年 424年 2 - s2.0 - 16244364359 奈克 R。 使用遗传算法预测股票市场指数 计算机工程和智能系统 2012年 162年 171年 泰河 f·E。 曹 l . J。 改善金融时间序列预测结合支持向量机和自组织特征映射 智能数据分析 2001年 5 4 339年 354年 10.3233 /艾达- 2001 - 5405 Zbl1083.91567 金 K.-J。 金融时间序列预测使用支持向量机 Neurocomputing 2003年 55 1 - 2 307年 319年 2 - s2.0 - 0242351905 10.1016 / s0925 - 2312 (03) 00372 - 2 元 Y。 预测汇率的运动方向与多项式光滑支持向量机 数学和计算机模拟 2013年 57 3 - 4 932年 944年 10.1016 / j.mcm.2012.10.004 MR3011213 Zbl1305.91242 2 - s2.0 - 84870498388 恩里克 b . M。 Sobreiro 诉。 木村 H。 股票价格预测在日常使用支持向量回归和最新的价格 《金融和数据科学》杂志上 2018年 4 3 183年 201年 10.1016 / j.jfds.2018.04.003 Basak 年代。 冰斗 年代。 萨哈 年代。 Khaidem l 戴伊 s R。 预测股票市场价格的方向使用基于树的分类器 北美经济和金融杂志》上 2019年 47 552年 567年 10.1016 / j.najef.2018.06.013 帕特尔 J。 沙阿 年代。 塔迦尔 P。 Kotecha K。 预测股票市场指数使用机器学习技术的融合 专家系统与应用程序 2015年 42 4 2162年 2172年 10.1016 / j.eswa.2014.10.031 库马尔 M。 M。 T。 预测股票指数运动:比较支持向量机和随机森林 SSRN电子杂志 2006年 10.2139 / ssrn.876544 Geraci 一个。 Fabbri D。 Monfardini C。 测试exogeneity多项统计数据模型中解释变量:两级剩余包含工作吗? 《计量经济方法 2018年 7 1 10.1515 / jem - 2014 - 0019 Zbl07081846 Daganzo C。 多项Probit:需求预测的理论及其应用 2014年 爱思唯尔 MR567139 Peltonen图 一个。 新兴市场货币危机预测吗?——测试 2006年 矿业公司 G。 尼斯贝特认为 R。 老 J。 统计分析和数据挖掘应用程序的手册 统计分析和数据挖掘应用程序的手册 2009年 2 - s2.0 - 85013848106 黑斯蒂 T。 Tibshirani R。 弗里德曼 J。 统计学习的元素 2008年 纽约,纽约,美国 施普林格 MR2722294 Zbl1273.62005 马科维茨哈利 M。 投资组合理论的基础 金融杂志 1991年 469年 477年 Korczak J。 苍鹭 M。 Bac M。 集体智慧支持外汇市场上交易决策 课堂讲稿在计算机科学(包括子系列讲义在人工智能和课堂讲稿在生物信息学):前言 2017年 10448年 113年 122年 2 - s2.0 - 85030836681 Korczak J。 苍鹭 M。 Bac M。 基本面分析多智能交易系统 联邦会议程序计算机科学和信息系统,FedCSIS 2016 2016年9月 波兰 1169年 1174年 2 - s2.0 - 85007145657 张 Y。 Chinn m D。 外汇交易员和汇率动态:美国市场的调查 国际货币和金融杂志》上 2001年 20. 4 439年 471年 10.1016 / s0261 - 5606 (01) 00002 - x 这种香水 答:V。 Miečinskiene 一个。 Stasytyte V。 投资决策建模以及对金融市场可持续发展的概念 技术和经济发展的经济 2008年 14 3 417年 427年 2 - s2.0 - 53349153183 10.3846 / 1392 - 8619.2008.14.417 - 427 勇 y L。 非政府组织 d . C。 李 Y。 技术指标为外汇预测:一项初步研究 群的发展和计算智能 2015年 9142年 施普林格国际出版 87年 97年 在计算机科学的课堂讲稿 10.1007 / 978 - 3 - 319 - 20469 - 7 - _11 Ozturk M。 Toroslu i . H。 Fidan G。 基于启发式的使用技术指标对外汇交易系统数据的规则 应用软计算 2016年 43 170年 186年 2 - s2.0 - 84959548688 10.1016 / j.asoc.2016.01.048 Pradeepkumar D。 拉维 V。 外汇汇率预测使用混沌和分位数回归随机森林 学报》第三届国际会议在信息技术最新进展,RAIT 2016 2016年3月 印度 517年 522年 2 - s2.0 - 84999009664 Chihab Y。 Bousbaa Z。 贾玛利 H。 Bencharef O。 一种方法基于异构多重代理系统股市投机 理论和应用信息技术杂志》上 2019年 97年 3 835年 845年 2 - s2.0 - 85062900605 平托 r . m . C。 席尔瓦 j . c . M。 外汇自动交易的战略方法 学报》第12届国际会议上智能系统设计和应用中,ISDA 2012 2012年11月 印度 34 39 2 - s2.0 - 84874387510