基于随机林和探测回归的Introveek外汇探测的Ilgo交易策略

摘要

在外汇市场上，货币价格根据许多经济和政治因素快速上涨和下跌，如商业平衡、增长指数、通货膨胀率和就业指标。拥有良好的买卖策略可以从上述变化中获利。一个成功的外汇策略应该考虑利益和风险之间的关系。在这项工作中，我们提出了基于技术指标组合的货币市场周内外汇投机策略。该系统具有两级决策，由概率回归模型和使用随机森林的规则发现组成。交易策略有两个最低要求：进入市场的规则和退出市场的规则。我们提出的进入货币市场的制度应该确认两个条件。首先，它应该在接下来的一周验证随机森林访问规则，而在第二周，使用Probit的第二天的预测值应该是正值。要退出货币市场，Probit或Random Forest发出的一个负面警告就足够了。该系统用于开发动态投资组合交易系统。在2014年1月至2016年1月期间，对该模型的盈利能力进行了美元/（欧元、JYN、BRP）变化检验。该系统可以提高预测精度。这表明对行为市场的良好预测，有助于确定进入或离开市场的好时机。

1.介绍

金融市场的剧烈波动使股票市场对投资者来说是一个有风险的领域。股票市场上的各种投资策略都是作为一种获取更多股票市场份额的工具出现的。根据威廉·奥尼尔[1.]，正确的策略是寻找快速收入的公司增加。增益比实际市场中存在的速度更快[2.]．然而，这一领域的作者已经确定了几种投资股票市场的策略路径，被动策略和主动策略。后者确保了实现的简单性，但具有长期回报。在短期内，投机被认为是调节供给和需求的平衡因素，同时导致价格均衡与经济的实际状态一致。这种策略的基础是在价格低于平均价格时买入，在价格高于平均价格时卖出。在Forex案例(外汇市场)中，统计学家不采用这个假设，他们认为Forex的临时序列是随机的。在现实中，这些临时序列的不可预测性给人的印象是变化是随机的。然而，我们可以注意到外汇市场的周期性特征[3.通过大规模的分析。对过去趋势的研究和分析有时有助于预测市场走势。

目前，投机者被认为是市场状况的第一信息来源。投机技术不断改进[4.]．实际上有两种方法被广泛使用:第一种是基于计量经济学中采用的技术指标的经典方法。第二种方法是基于数据挖掘算法。外汇市场中使用的投资策略有很多:当日交易、交易新闻、波动交易、趋势交易、利差交易、图表水平交易以及基于数据挖掘算法的技术指标交易。外汇市场的大多数投资者并没有手动操作，但他们通常会通过计算机算法来选择简单或复杂的策略。

在本文中，我们提出了两个阶段的安全投资策略:

首先，我们选择了一个在金融市场趋势上没有任何规范假设的时间方法。这种方法仅基于对汇率演变和各种临时指标的观察。我们使用了随机森林算法[5.]预测中期发展。然而，我们已经能够根据我们的投机模型建立买卖决策动机的规律性。在第二步中，我们选择了Probit模型[6.]应用于外汇技术指标。这两个系统结合起来形成一个周内投资策略。我们的建议将为交易员提供从各种指标创建交易策略的机会。该策略是确定市场方向的信心手段。

2.相关工作

最近，算法交易的发展有所改善。许多新的研究领域已经被引入，最重要的是，算法与金融研究的结合使进行几年前还不可能进行的研究成为可能。如今，电子金融市场已经发展得特别快，大多数交易都是通过电子方式完成的。电子金融市场作为一个新的研究领域获得了额外的兴趣，特别是使用交易算法和市场预测方法。

在文献中，传统交易系统只执行一种特定的策略[8.而算法交易是一种由计算机而不是人类进行具体投资的方法。这些交易系统使用与定义良好的规则相关的历史数据。由于金融市场预测方法需要计算机处理，因此这种技术方法在进行交易和预测时既有许多优点，也有许多缺陷。许多研究表明，算法方法优于传统方法。由于全球市场不断发展，相互作用越来越强，对金融市场和交易活动的预测将发挥更关键的作用。外汇管理的方法和技术比以往任何时候都要复杂。因此，研究人员认为，算法交易方法可以更快地同时分析多个因素，从而使投资在更低的价格下更有效;此外，算法的作用独立于人类的心理状态。其他研究人员认为，由于几个原因，这种交易方式也可能不太有效。首先，由于金融市场的非平稳、嘈杂和确定性的不可预测性，制定一个好的交易策略本身是非常复杂的。 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.

在过去几十年中，全球交易市场的增长使外汇市场成为最大、最赚钱的金融市场。该外汇市场24小时开放，参与者可以买卖货币对。该货币市场的特点是高流动性、大交易量和连续交易外汇市场是一个不稳定的市场，具有很大的不确定性。然而，外汇投资者面临着货币风险，这可能严重危及国际贸易流动[9,10]．这些投资者需要意识到这个市场的不确定性以及对他们投资决策的重大影响。然而，准确预测汇率可以减少这种不确定性，对国际贸易流动和投资者利润都有好处。因此，近几十年来，人们对汇率变动和可预测性进行了广泛的研究[11]．

在预测货币走势的最现代实用方法中，使用基本面和技术分析具有极其重要的意义。

有许多研究已经将基本面分析应用于预测货币汇率。在这些研究中，我们可以引用，例如，米斯和罗格夫1983年、米斯1986年、贝利和塞洛弗1987年、麦克诺恩和华莱士1989年、贝利和佩切尼诺1991年、萨兰蒂斯1994年和库什曼，2000年[7.,12–17]．在本文中，我们主要专注于使用数据挖掘算法和技术指标来预测未来汇率值的技术分析。

Poole（1967）和Dooley and Schafer（1976）是描述技术分析的先驱[18,19]Poole（1967）指出，交易规则的应用产生了重要的效益。由于这些规则，如果汇率相对于已经确定的百分比上升或下降，我们可以确定买入或卖出订单。Dooley和Schafer（1976）还对九种货币应用了七种不同的过滤规则。他们得出结论，使用基于过去汇率波动信息的简单交易策略可以产生显著的回报。

最近，许多先进的技术被广泛应用于预测汇率波动[20.]．这些技术利用了计算机工具的技术进步。这一进展使得管理大数据和研究金融市场的复杂、非线性和动态特征成为可能。最近的研究显示，80%至90%的专业人士和个人投资者至少依赖某种形式的技术分析[21–23]．

有几种算法被用来预测货币汇率，如随机森林、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、KNN和朴素贝叶斯分类器。为了提高精度，Booth等人使用随机森林算法进行分类。这表明，与其他集成技术相比，当对DAX中的大量股票样本进行分析时，随机森林的摄政权加权集成在盈利能力和预测精度方面产生了更高的结果[27]此外，Sorensen等人表明，基于相同变量的CART决策树在选择股票投资组合时比单因素模型表现更好[28]．另一种常用的提高测试精度的算法是支持向量机(SVM)，由Boser等人提出[29]王等人[30.，证明了K-means SVM (KMSVM)算法可以通过减少支持向量机的数量来加快分类器的响应时间，同时保持与SVM的精度兼容。

一些研究人员专注于神经网络到训练算法。根据Shaoo等人。，级联功能链接人工神经网络（CFLANN）在FX Markets中表现更好[31]．

实际上，一些研究人员建议应用集成方法来提高回归和分类性能[32]他和沉采用了基于神经网络的引导方法来构建多个学习模型，并将这些模型的输出组合以预测货币汇率。

目前，利用随机森林和Probit回归预测汇率的统计研究很少。据吕和张所说[33]RF算法与支持向量机方法和多元线性回归方法相比，在准确预测人民币汇率方面表现出了良好的性能。

在本文中，我们将使用随机森林分类算法和Probit回归。我们结合这两种算法来预测货币汇率。

3.交易算法方法

交易策略是一种重要的金融方法。它可以被定义为一套指令，以赚取利润和产生正的投资回报。有些交易策略作为单独的策略并不总是完全有利可图。事实上，金融市场本质上不断变化，有时变化非常剧烈。这种瞬息万变的后果之一是，在一段时间内运行良好的交易策略可能会夭折，有时甚至是突然夭折。有许多因素会影响交易策略的结果，因此没有一个通用模型可以很好地预测所有问题，甚至是一个单一的最佳交易方法的所有情况。

然而，技术的进步带来了新的交易类型，如基于数据挖掘和机器学习的交易策略。该策略基于算法交易，展示了如何实时执行复杂分析，并根据定义的策略做出必要的决策，无需人工干预，并将交易从计算机自动发送到交易所执行。一个算法可以很容易地同时交易数百个问题，使用先进的法律和多层条件规则。算法交易试图通过分析大量不同类型的数据来识别通常非常短暂的信号或趋势。这些交易信号中有许多非常微弱，无法单独进行交易。因此，一个人将大量这样的信号与非平凡的权重结合起来，以放大和增强整体信号，它变得可以单独交易，并在交易成本后盈利。

目前，外汇市场是世界上最大、流动性最强的市场。然而，使用算法交易的交易策略已成为买卖双方生存的绝对必要条件。由于数据的混乱、嘈杂和非平稳性质，主要交易者不得不转向使用自动算法交易为了保持竞争优势，大多数研究都集中在每日、每周甚至每月的预测上。

在过去的十年中，人工智能预测在不同的市场上的依赖程度有所增加，例如外汇市场，包括随机森林(RF)、线性回归、遗传算法(GA)、人工神经网络(ANN)、支持向量机方法用于金融时间序列的分析和预测。

３．１．人工神经网络方法

为了与交易系统密切相关，神经网络是几篇论文中的一个关键主题。Matas等[34]开发了一种基于神经网络和GARCH模型的算法，在异方差时间序列环境下进行预测。Enam [35]试验了ANN对每周外汇数据的可预测性，并得出结论，在其他问题中，引入此类模型时遇到的最关键问题之一是数据的结构。Kamruzzaman [36]比较了不同的ANN模型，并根据过去Forex数据提供技术指标，得出基于比例共轭梯度的模型比其他算法更接近预测的结论。C. Evans等[37]提出了一种基于人工神经网络(ANN)和遗传算法的预测和决策模型，可产生有利可图的日内外汇交易。他们的研究使用了数据集，其中包括70周内交易最多的3种货币对的过去汇率: , ,和 .他们的测试证实，每日外汇汇率时间序列不是随机分布的。他们提出的系统提高了预测率。

根据Omer Berat Sezer等人[38，与Buy & Hold和其他交易系统相比，将遗传算法和神经网络结合在一个股票交易系统中可以获得更好的结果，即使在相对较长的时间内，也可以对广泛的股票进行交易。他们提出的系统是基于优化的技术分析特征参数值作为神经网络股票交易系统的输入特征。他们使用遗传算法优化RSI参数的上升趋势和下降趋势的市场条件。

3.2.遗传算法方法

遗传算法(GA)，由Holland [39]，是一种优化算法，用于查找函数的最大值或最小值。它们用于自动编程和机器学习等多种应用。它们也非常适合于对经济学、生态学、人类免疫系统、群体遗传学和社会系统中的现象进行建模。

在工作40]Subramanian提出了一种利用遗传算法和遗传规划来确定最优交易策略的自治代理设计方法。他们提出的基于竞争代理的系统记录了0.33到0.85之间的平均急剧比率。纸上[41， Hirabayashi介绍了一种基于遗传算法的预测优化模型。这个模型搜索能带来最高利润的买卖规则。他们使用移动平均线(MA)和相对强弱指数(RSI)等技术指数来自动生成交易规则。这些规则由技术指标及其参数组合而成，作为遗传算法的基因型。在[42， Fuente等人提出了一项工作，也试图优化自动交易者的时机。他们使用遗传算法开发短期交易规则，使用技术指数，如RSI，作为遗传算法的染色体。他们建议对一家西班牙公司的股票使用发达的规则。但是，该工作中的描述还太初步，无法与我们的系统进行比较。文献[43]介绍了一项工作，该工作试图针对德国30家公司的股票（DAX30）生成买入和卖出信号。他们综合运用了适用于遗传算法和遗传算法的技术指标[42]然后根据信号强度对股票进行排序，以重组投资组合。但是，他们没有制定任何盈利和减少亏损的标准。在[44， R. Lakshman等人提出了利用遗传算法预测股票市场指数的买卖策略。他们的结果表明，遗传算法是有前途的模型，在其他可比模型中产生最高的利润。

3.3. 支持向量机方法

支持向量机（SVM）于1992年由Vapnik和Coworkers引入.SVM已应用于许多不同的商业，科学和工业领域，以分类和识别模式。基于支持向量机（SVM）的模型是预测财务时间序列的移动方向的最广泛使用的技术之一。它变得越来越多，是一种积极的学习方法。

预测金融时间序列，Cao [45]提出了一种树状结构的支持向量机专家系统。仿真结果表明，与单一支持向量机模型相比，支持向量机专家模型的泛化性能有了显著提高。在[46]Kyoungjae将支持向量机与反向传播神经网络相比较，对股票价格指数进行预测。实验结果表明，支持向量机为股票市场预测提供了一种很有前景的替代方法[47]Yu.Yuan提出了一种多项式平滑支持向量机方法来预测金融时间序列的运动方向。他们的论文基于理论上的宏观经济分析。结果表明，机器学习方法对预测研究非常重要，多项式光滑支持向量机是一种非常强大的模型。B.M.Henrique等人[48]使用支持向量回归(SVR)来预测股票价格的大小资本化和在三个不同的市场，采用价格与每日和最新分钟的频率。他们将他们提出的模型与EMH提出的随机漫步模型进行了比较。结果表明，SVR具有良好的预测能力，特别是在采用周期性更新模型的策略时。

3．4．随机森林方法

Breiman（2001）提出了随机森林。它显示出产生准确的预测模型。它会自动识别重要的预测因子，当数据由大量变量组成时，这是有用的，并且我们在确定模型中需要包含哪些变量的困难。

随机森林是机器学习的应用之一。它有助于理解金融市场。为了通过预测价格变化来击败市场，随机森林已经在一些作品中被使用。由于价格波动对投资的影响，预测价格波动是非常困难的领域。Khaidem等人，在[49，使用随机森林分类器构建预测系统。他们使用各种参数，如准确性、精度、召回率和特异性来评估系统的稳健性。

在纸上[50， Patel等人使用了一个混合系统来预测股票市场指数的未来价值。他们提出了两阶段融合方法，第一阶段包括支持向量回归(SVR)。融合方法的第二阶段使用人工神经网络(ANN)、随机森林(RF)和SVR，得到SVR - ANN、SVR - RF和SVR - SVR融合预测模型。为了验证实验结果，他们选取了印度股市的CNX Nifty和S&P Bombay Stock Exchange (BSE) Sensex两个指数。然后，他们比较了他们的混合模型与ANN, RF和SVR的预测性能。在[51M. Kumar等人利用五种算法预测NSE的S&P CNX Nifty Market指数的走向。他们测试了线性判别分析(LDA)、Logit、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。

在文献中，有许多不同的方法被用于预测股票市场的收益。尽管有这些研究，股票市场策略的定义和实施仍然是一个难以解决的问题。

4.主要概念

回归的算法并不局限于线性回归或逻辑回归，实际上回归有很多种形式，每一种形式都有其各自的重要性和适用的具体条件[52]．

4．1.Probit模型

我们选择的是Probit模型，这是一种回归类型，因变量只能取两个值，对于我们的案例，货币的增加值（1）或减少值（0）[53]．

如果考虑二元选择模型，不可观测的响应变量可以写: 当i=1时，…，N

当t = 1，…, T。

观测到的二元变量被定义为 在哪里未观察到的效果

和一般误差项。

在Probit模型的情况下，累积分布是一个标准正态分布:

第一个平等声明假设是严格的外生条件 .另一个标准假设是结果= ，.. .,是独立的条件( , .因此，密度以（xi，αi） 可以导出： 在哪里 .

在任意效果面板框架中，未观察到的效果预计XI的条件将是通常分布的 .

结果独立性的假设（即危机和平静期）是有限的，可以使用以下公式放宽：

在哪里 根据以下各项的合并概率进行估算：在使用Huber / White强大的标准错误，这意味着系数是平均部分效果。

4．2．随机森林

随机森林(RF) (54]是一种机器学习算法，它的最佳定义是“树预测器的组合，其中每棵树依赖于一个独立采样的随机向量的值，并且对森林中的所有树具有相同的分布”[55]．

随机森林用于分类和回归;随机决策森林修正经典决策树的过拟合问题[56]．随机森林算法结合了随机子空间和套袋的概念。决策树森林算法在多个决策树上进行学习，这些决策树驱动的数据子集略有不同。

随机森林算法:

输入：描述语言；样品S

开始

初始化到空树;根节点是当前节点

重复

确定当前节点是终端

如果节点是终端则

分配一个类

其他的

选择一个测试并创建子树

如果

移动到下一个未探测的节点（如果有）

直到你得到一个决策树

终点

决策树提供了在实践中运行良好的有效方法。决策树的优点是任何用户都可以理解（如果生成的树的大小合理），并且可以根据决策规则进行即时转换。

4．3．分类算法的预评估

为了证明我们选择使用随机森林分类器的合理性，我们评估了通过支持向量机（SVM）、人工神经网络（ANN）和随机森林算法在90天内获得的结果。因此，我们使用490天（欧元/美元货币对时间序列）作为培训数据。在本次预评估中，我们使用了由2015年1月至12月的欧元/美元货币对时间序列组成的样本数据集。下列数字1.,2.和3.显示系统的精度和性能。

利用人工神经网络、支持向量机和随机森林算法构建周内外汇投机的algo交易模型，我们可以清楚地看到，在我们的案例研究中，随机森林显示出比ANN和SVM更好的结果。

4.4.投资策略

投资组合理论于1952年由哈里·马科维茨提出[57]该理论旨在合理构造收益和风险之间的投资组合套利。事实上，投资组合的风险可以通过其盈利能力的方差来正确衡量。问题是如何在最小化风险的同时实现收益最大化。

由于外汇市场的波动性，有三种类型的投资组合：高频交易者、长期投资者和公司。本文提出了一种针对高频交易者的交易模型，这些交易者对周内价格的微小波动进行投机[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进行分离[59]：(我)黄牛党：外汇黄牛党的交易持续时间很短，获利很快，即使市场继续朝着他们的投机方向发展。倒卖需要足够的投资基金。（ii）摇摆交易:摇摆交易是指利用明显的趋势在上升趋势开始时开仓，并在趋势结束时平仓。(iii)技术分析师：技术分析是一种预测金融市场波动的方法，通过发现历史金融时间序列中的模式和关系来获取收益。对趋势的技术分析旨在确定何时进入市场更好。为此，我们认为外汇市场从长远来看是单向的。他们使用每月、每周和每日图表来准确确定何时可能发生衰退[60]．(iv)基本面分析者:任何市场趋势都必须放在其经济背景下，反之，经济和政治事件直接影响市场趋势[61]．这种分析是基于对一个国家的经济和财务表现的研究，以确定市场的真实价值和其货币的未来演变。这种分析主要基于经济信息以及重要的政治事件。在指标中，我们可以引用利率、增长指数、通货膨胀率、就业指标和贸易平衡。通过对这些指标的观察和评价，可以了解一个国家的经济状况。指标的变化可以引发外汇市场的重要波动，从而影响该国的货币价值。

根据经验，交易者将这些技巧结合起来，找到一种策略来最大化他们的利润，他们可以包括一些不寻常的技巧，比如双零策略。

这一策略完全基于心理价值观的现象。这意味着大多数交易者倾向于通过对整轮价值的定位来简化股票价格。因此，这些价值观往往成为支持或抵制的现象。

在我们以前的工作中，我们采用了Evans等人的[37)策略,图4.;它首先使用历史数据来培训决策系统。曾经接受过培训，我们使用系统预测来管理购买，保持和销售行动：(1)如果系统预测产量为正，我们就会购买。(2)购买后，如果系统预测一个积极的发展，我们持有。(3)购买后，如果系统预测负输出，我们销售。

我们可以增加时间限制，这个过程可以重复。

5.方法和结果

5.1。数据集

我们开发了两个数据集来训练我们的系统。

本研究使用的第一个数据集包括650天欧元/美元货币对的过去汇率。一个货币对的例子是欧元/美元。当交易欧元/美元货币对时，美元被出售以购买欧元；欧元被称为基础货币，美元被称为报价。

对于每一天，我们使用由过去7天和上周和上个月的移动平均线组成的时间序列。

第二个数据集由一组技术指标（TI）组成。技术指标是用于分析股票市场证券以预测价格变动的值或数学公式。数据集包含使用最多的TI[62]：(我)相对强度指数（RSI）（ii）随机振荡器(iii)平均方向指数（ADX）(iv)商品渠道指数（CCI）（五）高低（六）方向运动指数（vii）平均移动

5.2。投机

我们首先评估一个简单数据集上的随机森林回归结果，该数据集由一组关于两年内欧元/美元变化的时间序列组成5.显示预测输出与实际输出和表格1.是与业绩有关的结果。

对随机森林输出的首次评价表明，该算法总体性能良好，MSE为10^−5.。树的数量不会有效地影响系统性能，而500棵树的结果是最好的。当分析随机森林预测第二天上升趋势时的错误数量时，实际上是下降趋势，并且如果我们考虑到我们在外汇中发现的风险程度，则进行预测是非常危险的ider回归结果随时间序列变化，作为决策的唯一输入。

在第二个测试中，我们使用由时间序列组成的第一个数据集来训练Probit模型，以便推测第二天的值。第二个数据集由技术指标组成，训练随机森林预测未来7天的全球趋势;这个选择是经过多次实验后做出的。

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(或者,0) (63,64]．

对于随机森林评估，我们考虑一周，如果其显示上升趋势的天数超过4.表格2.和3.显示分类结果和图表6.使用Probit回归显示预测输出与实际输出的绘图示例。

从表1.和2.我们可以注意到，这两个分类可以以不同的方式让我们清楚地了解市场趋势。Probit二元回归显示随机森林的准确率分别为76,4%和80,7%。因此，我们决定基于这两个分类的组合构建投资策略。在下一节中，我们将解释我们是如何组合的这两种算法的输出，提出了一种有效的投资策略。

5.3。我们的投资策略

为了制定有效的战略，我们需要确定个人风险状况、时间和资源的现实可用性以及交易期间的预期水平。这些自我反思的特征可以通过评估不同的策略来识别。

在外汇投资中，杠杆是指在购买资产时使用借入资金的任何技术。在线经纪人为客户提供杠杆。该工具实际上允许投机者使用比可用资本更多的资金进行投机，以使收益更有趣。货币汇率波动通常非常低.没有杠杆，即使有重要的投资资本，也很难盈利。在我们的实验中，我们使用了1:100的杠杆率，这相当于1000美元的投资，我们可以达到100000美元。

投资顺序如图所示7.。首先，我们只会在有积极趋势的几周内进行投资，在每个积极的一周，我们会检查第二天是否有积极的趋势进行交易。这样，我们可以减少虚假投资率的数量。该策略可以描述如下。

步骤1。对于每种货币，我们使用以下规则检查本周的积极趋势:(我)根据技术指标，我们检查这些情况之一的市场状况[65,66]：(一)超卖情况:这是一种资产的价格急剧下降到低于其实际价值的水平的情况。这是一个信号，价格可能会反弹。(b)超买情况：这是一种对某项资产的需求在没有正当理由的情况下过度增长的情况。这可能是一种出售的迹象。(c)看涨分歧:即价格趋势是看跌的，而指标显示相反。该指标表明资产价格上升，而资产继续下跌。这可以通过向上趋势的可能逆转和未来的买入信号来分析。(d)熊市背离：与牛市背离相反。这是通过下跌趋势的逆转和即将到来的销售信号来分析的。（ii）如果未检测到上述任何情况，我们将以概率决策作为最终决策。

如果有上升趋势，请转步骤2。

第2步。(我)一周中的每一天（ii）如果预测为正，买入然后转到步骤3(iii)终点

步骤3。(我)考虑1:100的杠杆率:（ii）而（货币波动在-10点到+5点之间，保持时间<420min）保持(一)如果该货币下跌超过10个pip，那么就卖出。(b)如果该货币赢得超过5点，则卖出终点

5.4。结果与讨论

我们确定每天投资1000美元(我)17周的杠杆率是1:10，（ii）在17周内最高可投资5000美元+福利，(iii)20%的止损障碍，还有(iv)销售订单利润的10%。

表4.,5.， 和6.使用Probit二元回归、随机森林和建议的系统，显示17周内美元/欧元、美元/英镑和美元/周杰伦三对外汇的回报率。

从2014年1月到2016年1月，我们用17周和2年的数据测试了我们的投资策略，以训练我们的算法。为了得到最终结果，我们计算了17周的累计收益。

从表中可以看出，本文提出的系统比随机森林或Probit回归具有更好的结果。为了验证我们的模型，我们选择在三个货币对上评估它的效率，在三个货币对上提出的策略显示了最好的结果。此外，拟议的系统需要更少的投资，以取得更多的效益。

提出的模型产生了相当有前景的利润，平均每周利润为4.8%。我们只用了有积极趋势的几周。

提议的系统允许我们减少每日投资的数量而不损失盈利机会。我们可以看到真正的阳性率，78%。在这个提议的系统中，随机森林占68%，Probit占57%。真正的积极衡量的是正确识别的实际积极的比例。

我们应该澄清，之前的结果影响了货币对在未来六个月的全球趋势。这意味着它与宏观经济和政治形势有关。例如，美元/英镑的结果(累积收益只有2538美元)可以解释货币对的行为。很明显，我们有一个横向的趋势。横盘趋势是价格水平移动。对于美元/欧元，我们可以注意到持续8周以上的上升趋势。

我们还受益于货币市场相对稳定，变化超过1%的情况很少。

同时，迄今为止还没有提到的一个重要问题是交易成本。对于每一笔交易，货币市场是一个无佣金的市场，而不是佣金，有一个PIP价差。一个PIP价差是在同一时刻卖价和买入价的差额。我们认为佣金是1 PIP。当使用杠杆时，我们推断，大多数货币对产生了适度的收益，而一些货币对产生了过度的损失；过度的收益是非常罕见的。

一般来说，外汇交易者带着恐惧和希望情绪化。通过这项工作，我们提出了一种交易策略，允许将情绪放在一边，避免交易错误（贪婪、恐慌或怀疑），并且不错过交易机会。显然，当预定义规则一致时，我们的策略会给出输入和输出信号。在这一刻，我们的系统正在触发，而不管最后一个输赢位置的情绪和表现如何。

这项工作的结果表明，与简单使用回归或使用随机森林分类相比，我们的系统的好处。考虑到所获得的结果，采用分类树和回归树相结合的方法可以实现一个成功的算法交易系统。我们的结果表明，进一步研究多种算法的连续组合对外汇投资组合管理是有用的。这种组合有助于交易者决定何时可以买入或卖出货币组合。

6.结论

在外汇交易中，有许多货币对和许多交易人，每一对货币都不同于另一对货币，每个人都以自己的方式思考。寻找最佳交易策略确实是一项复杂的工作。为了找到合适的解决方案，我们在本研究中提出了一种基于两种数据挖掘算法的新策略。我们的方法是引入一个预测和决策模型，产生盈利的周内投资策略。建议的策略允许在周内高频交易中改善交易结果。测试结果表明，与简单使用回归或使用随机森林分类相比，我们的系统具有相当大的优势。这些结果对于研究外汇投资组合管理中多种算法的连续组合具有一定的应用前景。

结果表明，基于分类和概率回归相结合的算法交易可以有效地提高预测精度。这种组合有助于确定买入或卖出货币对的好时机。基于这一组合，拟议的系统有助于交易员从外汇市场的众多机会中获利。

数据可用性

用于支持本研究结果的数据可根据要求从相应作者处获得。

利益冲突

作者声明他们没有利益冲突。

工具书类

1. R. M. Califf，“简单的临床测量失败以预测静脉溶解后预测灌注状态，”内科，第108卷，第5号，第658页，1988年。视图:出版商的网站|谷歌学术搜索
2. V.Vajda，“一个只使用“旧”技术指标的交易员能否在外汇市场取得成功？”经济与金融，卷。15，pp。318-325,2014。视图:出版商的网站|谷歌学术搜索
3. S.Borenstein，“市场模拟小组关于加利福尼亚津贴市场竞争性供需平衡和市场操纵潜力的报告，”哈斯研究所工作论文，第251卷，2014年。视图:谷歌学术搜索
4. R. Wolf， "通过印记基因调控哺乳动物母性营养物质的供给和需求"，刊于生理学杂志，卷。541，pp。35-44,2003。视图:谷歌学术搜索
5. L. Breiman，《随机森林》机器学习第45卷第5期1，页5-32,2001。视图:出版商的网站|谷歌学术搜索
6. J. A. Dubin和D. Rivers，《线性回归、logit和probit模型中的选择偏差》，社会学方法与研究，卷。18，不。2-3，pp。360-390,1989。视图:出版商的网站|谷歌学术搜索
7. R.T.Baillie和D.D.Selover，“协整和汇率决定模型，”国际预测杂志，第3卷，第1期，第43-511987页。视图:出版商的网站|谷歌学术搜索
8. G. Fusai和A. Roncoroni，定量金融中的实施模型：方法与案例，施普林格科学与商业媒体，施普林格，柏林，2008。视图:数学网
9. P. Hooper和S. W. Kohlhagen，《汇率不确定性对价格和国际贸易量的影响》，国际经济学杂志，第8卷，第2期4，第483-511页，1978。视图:出版商的网站|谷歌学术搜索
10. J. Yao，Y.Li，以及C. L. Tan，“期权使用神经网络的价格预测”欧米茄，第28卷，第4期，第455-466页，2000年。视图:出版商的网站|谷歌学术搜索
11. M. R. El Shazly和H. E. El Shazly，《比较神经网络和远期汇率的预测性能》，跨国财务管理学报，第7卷，第5期4，页345-356,1997。视图:出版商的网站|谷歌学术搜索
12. R.A.Meese和K.Rogoff，“七十年代的经验汇率模型：它们是否符合样本？”国际经济学杂志，第14卷，第1-2号，第3-24页，1983年。视图:出版商的网站|谷歌学术搜索
13. r·A·米斯(r.a. Meese)，《检验外汇市场的泡沫:气泡汇率的一个例子》(Testing for Bubbles in Exchange Markets: A Case of Sparkling Rates)政治经济学杂志，第94卷，第2期，第345-373页，1986年。视图:出版商的网站|谷歌学术搜索
14. R.McNown和M.Wallace，“货币汇率模型中长期均衡的协整检验，”经济学的信件第31卷第1期3，第263-267页，1989。视图:出版商的网站|谷歌学术搜索
15. R. T. Baillie和R. A. Pecchenino，《国际金融中均衡关系的探索:货币模型的案例》，国际货币与金融杂志，第10卷，第5期。4，页582-593,1991。视图:出版商的网站|谷歌学术搜索
16. N.萨兰提斯，《长期货币汇率模型:实证研究》，Weltwirtschaftliches Archiv.号，第130卷。4、1994年。视图:出版商的网站|谷歌学术搜索
17. D. O. Cushman，《加拿大-美国货币汇率模型的失败》(The failure of The monetary exchange rate for canada - u.s.)。美元,”加拿大经济杂志/加拿大经济评论第33卷第3期3，页591-603,2000。视图:出版商的网站|谷歌学术搜索
18. W. Poole，《作为随机游走的投机性价格:对灵活汇率的十个时间序列的分析》南方经济杂志第33卷第3期1967年第468条第4款。视图:出版商的网站|谷歌学术搜索
19. M.P.Dooley和J.Shafer，“短期汇率行为分析：1973年3月至1981年11月，”浮动汇率与世界贸易和支付状况，第43-70页，1973。视图:谷歌学术搜索
20. R.Moscinski和D.Zakrzewska，“构建外汇市场预测的有效进化算法”，年智能数据工程和自动化学习–理想2015，第9375卷，共页计算机科学课堂讲稿，第352-360页，斯普林格国际出版社，湛，2015年。视图:出版商的网站|谷歌学术搜索
21. M. P.泰勒和H.艾伦，《外汇市场中技术分析的应用》，国际货币与金融杂志，第11卷，第5期。3，第304-314页，1992。视图:出版商的网站|谷歌学术搜索
22. L. Menkhoff，《基金经理对技术分析的使用:国际证据》银行与金融杂志，第34卷，第11期，第2573-25862010页。视图:出版商的网站|谷歌学术搜索
23. 吕颖和莫尔，《外汇交易商对基本面和技术分析的运用:香港的证据》，国际货币与金融杂志，第十七卷，第二期3，第535-545页，1998。视图:出版商的网站|谷歌学术搜索
24. D. Sahoo, K. Patra A, S. Mishra，和M. R. Senapati，“时间序列预测技术”，国际研究科学与管理杂志，第2卷，第6-13页，2015。视图:谷歌学术搜索
25. C.Panda和V.Narasimhan，“用人工神经网络更好地预测汇率，”政策建模杂志，第29卷，第2期，第227-236页，2007年。视图:出版商的网站|谷歌学术搜索
26. Ni和Yin，“基于混合神经网络和交易指标的汇率预测”，Neurocomputing第72卷第2期13-15，第2815-2823页，2009。视图:出版商的网站|谷歌学术搜索
27. A. Booth, E. Gerding，和F. McGroarty，《绩效加权随机森林和季节性的自动交易》，专家系统与应用号，第41卷。8, pp. 3651-3661, 2014。视图:出版商的网站|谷歌学术搜索
28. E. H. Sorensen, K. L. Miller, C. K. Ooi，“股票选择的决策树方法:进化树模型表现最好”，投资组合管理杂志，卷。27，不。1，pp。42-51,2000。视图:出版商的网站|谷歌学术搜索
29. B. E. Boser, I. M. Guyon, V. N. Vapnik，“最优边际分类器的训练算法”第五届ACM计算学习理论年会论文集(COLT’92)，第144-152页，1992年7月。视图:谷歌学术搜索
30. 王建军，“基于K-means聚类的支持向量机在实时商业智能系统中的应用”，国际商业智能和数据挖掘杂志，第一卷，第一期，第54-64页，2005年。视图:出版商的网站|谷歌学术搜索
31. S. Patra，《时间序列预测技术》，国际研究科学与管理杂志，第2卷，第6-13页，2015。视图:谷歌学术搜索
32. H. He和Zhen，“外币汇率预测的举行方法”2007年国际神经网络联合会议论文集，2007年，页1272-1277，美国，2007年8月。视图:谷歌学术搜索
33. 吕伟、张锐，“基于随机森林的人民币有效汇率回归模型研究”，载于第二届电子商务与电子政务国际会议论文集，2011， pp. 4781-4783, 2011年5月。视图:谷歌学术搜索
34. J. Matías, M. Febrero-Bande, W. González-Manteiga，和J. Reboredo，“促进GARCH和神经网络对异方差时间序列的预测，”数学和计算机建模第51卷第1期3-4, pp. 256 - 271,2010。视图:出版商的网站|谷歌学术搜索
35. A.Emam，“外汇预测的最佳人工神经网络拓扑”，年关于XX的第46届东南区域年会论文集，ACM-SE 46，第69-73页，美国，2009年3月。视图:谷歌学术搜索
36. J. Kamruzzaman和A. S. Ruhul，《基于ann的外汇汇率预测》，神经信息处理信件和评论，第49-58页，2004年。视图:谷歌学术搜索
37. C.Evans、K.Pappas和F.Xhafa，“利用人工神经网络和遗传算法为日内外汇投机建立算法交易模型，”数学和计算机建模，第58卷，第2期5-6, pp. 1249-1266, 2013。视图:出版商的网站|谷歌学术搜索
38. O.B.Sezer、M.Ozbayoglu和E.Dogdu，“基于进化优化技术分析参数的基于深度神经网络的股票交易系统”，年复杂自适应系统会议记录，主题：工程网络物理系统，CAS 2017，卷。114，PP。2017年11月473-480。视图:谷歌学术搜索
39. 霍兰德，自然和人工系统的适应:生物、控制和人工智能应用的入门分析，密歇根大学出版社，牛津，英国，1975。视图:数学网
40. H.Subramanian、S.Ramamoorthy、P.Stone和B.J.Kuipers，“使用进化算法设计安全、有利可图的自动股票交易代理”，年第八届年度会议的诉讼程序美国华盛顿州西雅图，2006年7月。视图:出版商的网站|谷歌学术搜索
41. A. Hirabayashi，C.Arahna和H. IBA，“使用遗传算法”优化外汇交易规则“，2009年，http://www.dollar.biz.uiovwa.edu.视图:谷歌学术搜索
42. D. de la Fuente, A. Garrido, J. Laviada，和A. Gómez，《优化股票市场投资时间的遗传算法》第八届年度会议的诉讼程序美国华盛顿州西雅图，2006年7月。视图:出版商的网站|谷歌学术搜索
43. C. Schoreels, B. Logan，和J. M. Garibaldi，“基于代理的遗传算法，采用金融技术分析，利用历史股票市场数据进行交易决策”IEEE/WIC/ACM智能代理技术国际会议论文集。IAT 2004，PP。2004年9月421-424。视图:谷歌学术搜索
44. R.Naik，“利用遗传算法预测股市指数，”计算机工程与智能系统，第162-171页，2012年。视图:谷歌学术搜索
45. F.E.Tay和L.J.Cao，“通过结合支持向量机和自组织特征映射改进金融时间序列预测，”智能数据分析，第5卷，第5期。4，页339 - 354,2001。视图:出版商的网站|谷歌学术搜索
46. K.-J。Kim，“利用支持向量机进行金融时间序列预测”，Neurocomputing，第55卷，第55期1-2，第307-319页，2003。视图:出版商的网站|谷歌学术搜索
47. 袁勇，“基于多项式平滑支持向量机的汇率运动方向预测”，数学和计算机建模，第57卷，第3-4号，第932-9442013页。视图:出版商的网站|谷歌学术搜索|数学网
48. B.M.Henrique、V.A.Sobreiro和H.Kimura，“使用支持向量回归对每日和最新价格进行股票价格预测，”金融与数据科学杂志，卷。4，不。3，第183-201,2018。视图:出版商的网站|谷歌学术搜索
49. S. Basak, S. Kar, S. Saha, L. Khaidem，和S. R. Dey，“使用基于树的分类器预测股票市场价格的方向”，北美经济与金融杂志，第47卷，第552-567页，2019。视图:出版商的网站|谷歌学术搜索
50. J.Patel、S.Shah、P.Thakkar和K.Kotecha，“利用机器学习技术的融合预测股市指数，”专家系统与应用，第42卷，第2期4, pp. 2162-2172, 2015。视图:出版商的网站|谷歌学术搜索
51. M. Kumar和T. M.，《预测股票指数运动:支持向量机和随机森林的比较》，SSRN电子杂志, 2006.视图:出版商的网站|谷歌学术搜索
52. A. Geraci, D. Fabbri，和C. Monfardini，“在计数数据模型中检验多项回归器的外部性:两阶段残差包含是否有效?”计量经济学方法杂志，第7卷，第1期，2018年。视图:出版商的网站|谷歌学术搜索
53. c . Daganzo多项概率：理论及其需求预测应用，爱思唯尔，2014年。视图:数学网
54. A. Peltonen Tuomas，“正在新兴市场货币危机可预测？-A测试，”2006年。视图:谷歌学术搜索
55. G. Miner, R. Nisbet, J. Elder，《统计分析和数据挖掘应用手册》，统计分析和数据挖掘应用手册, 2009年。视图:谷歌学术搜索
56. T. Hastie, R. Tibshirani, J. Friedman，统计学习的要素，斯普林格，纽约，纽约，美国。视图:数学网
57. M. Markowitz Harry，《投资组合理论基础》金融杂志，页469-477,1991。视图:谷歌学术搜索
58. J. Korczak，M. Hernes和M. Bac，“集体智能支持外汇市场的交易决定”计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿）：前言， vol. 10448, pp. 113-122, 2017。视图:谷歌学术搜索
59. J. Korczak，M. Hernes和M.BAC，“多助理交易系统中的基本分析”计算机科学和信息系统联邦会议论文集，联邦计算机科学和信息系统，2016，页1169-1174，波兰，2016年9月。视图:谷歌学术搜索
60. Y.张和M. D. Chinn，“货币交易者和汇率动态:美国市场调查”，国际货币与金融杂志，第20卷，第4期，第439-4712001页。视图:出版商的网站|谷歌学术搜索
61. A.V.Rutkauskas、A.Miečinskiene和V.Stasytyte，“金融市场可持续发展概念下的投资决策建模，”经济技术与经济发展，第14卷，第3期，第417-427页，2008年。视图:出版商的网站|谷歌学术搜索
62. 杨永利，“外汇市场预测的技术指标:初步研究”，载《外汇市场研究》群体和计算智能的进步年第9142卷计算机科学课堂讲稿，PP。87-97，Springer International Publishing，2015。视图:出版商的网站|谷歌学术搜索
63. M. Ozturk，I. H. Toroslu，以及G.Fidan，“基于启发式的外汇数据的交易系统，使用技术指标规则”应用软计算， 2016年第43卷，第170-186页。视图:出版商的网站|谷歌学术搜索
64. D. Pradeepkumar和V. Ravi，“使用混沌和分位数回归随机森林的外汇汇率预测”第三届信息技术最新进展国际会议记录，RAIT 2016，第517-522页，印度，2016年3月。视图:谷歌学术搜索
65. Y.Chihab、Z.Bousbaa、H.Jamali和O.Bencharef，“基于异构多代理系统的股票市场投机方法，”理论与应用信息技术学报第97卷第1期3，第835-845页，2019。视图:谷歌学术搜索
66. R.M.C.Pinto和J.C.M.Silva，“外汇自动交易的战略方法”，年第12届智能系统设计与应用国际会议论文集，ISDA 2012第34-39页，印度，2012年11月。视图:谷歌学术搜索

版权

版权所有©2019 Younes Chihab等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。