应用程序自动高频交易:新兴股市智利

文摘

本研究旨在设计、实现和测试一个全自动高频交易系统,作用于智利股票市场,因此,它是能够产生积极的净回报率。一个系统,实现高频交易(高频交易)提出了通过先进的计算机工具作为一种非完全多项式问题,有必要优化股票买卖业务的盈利能力。研究执行个体测试实现的算法,评估理论纯收益(利润),可以应用于最后一天,月和学期的市场数据。最后,研究确定哪些变量的实现系统性能最佳,使用净回报率作为比较的基础。粒子群优化的使用作为一种优化算法证明是一个有效的解决方案,因为它能够优化一组不同的变量,但有界的一个特定的领域,最终导致实质性的改进方案。

1。介绍

本研究旨在设计、实现和测试一个完整的自动交易系统运行在国家智利股票市场,以便它能够产生积极的净回报率。特别是,它需要建立一个系统,实现高频交易(高频交易)。因此,研究对应的应用先进的计算机工具类型np完全问题,那里的目的是优化操作购买和出售股票的盈利能力。通过这种方式,目标是创建一个自动交易系统的实现,能够为一组真实的数据生成正回报的国家股票市场,在全自动模式下,没有干预人类操作员的决策和执行的操作。部分2描述了自动和半自动股票交易系统和算法高频交易上下文。部分3提供了一个回顾当前交易算法技巧可以在高频交易的自动模式下工作,指示计算机技术可以被应用。部分4提出了一个自动交易系统的设计,在高频交易模式下,显示数据和金融工具的限制包括在这项研究。生成算法和系统实施提出构建设计和生成的算法。个人的测试算法进行实现,回顾理论纯收益(利润),可以应用于生成最后一天,月和学期的市场数据。最后,在节5,它决定这变异的实现系统表现更好,使用净回报率作为比较基础和应用被认为有必要的其他条件。

2。背景

股票交易是一种活动,它已经进行了几百年,目前在世界各地的证券交易所。在这些交流中,一个巨大的各种金融资产和债务工具的日常交易。股票交易是一个复杂的决策问题,涉及多个变量和并不总是有一个最优解,自条件随时间和受到内部和外部因素的影响。

近年来,实现自动和半自动股票交易系统,可以分析市场状况并做出必要的决策已经开始进行所需的业务事务。自2008年以来,这样的系统报道重大和持续收益等外国股票交易所纽约证交所(NYSE) (1]。这些系统可以追溯到摩根士丹利(Morgan Stanley)的“黑箱”系统,它成立于1985年(2)买入/卖出信号的生成基于统计套利。

的好处使用自动化系统进行股票交易的任务在于,人们往往过于关注信号(价格)和忽略过渡概率产生的信号。相比之下,一个自动化的系统可以计算价格转换的概率和采取相应行动3),避免问题的反应或过度反应的变化。

目前,自动交易员进入智利市场相对较低,而且没有信息等条目,因为那些使用自动交易机制不愿意透露他们的系统的细节,因为害怕竞争,是发生在一开始与“黑盒”系统。国内市场已经能够运行自动低收入和高频交易员自2010年以来,当圣地亚哥证交所推出Telepregon HT系统,它允许交易的股票理论最大速度每秒3000个事务(4,5]。

交易所有权的交换是一个好的产品或服务从一个人或实体的条件下从买方获得的回报。因此,交易可以被理解为实践由股票经纪人或客户在证券市场交换,即金融工具。这个交易是基于交易的供需原理仪器,使仪器的价格变化和生成一个利润(或亏损)是由原购买价格之间的差异和最终的销售价格。

高频交易(高频交易)是理解为一种操作在股票市场的特殊条件(1应用:(我)有一个快速交换的资本(2)大量的交易(3)一般来说,低增益每个事务(iv)金融工具的位置既不从一个交易日累计到另一个也不避免(v)交易是通过计算机系统

高频交易的定义本身并不表明是否系统执行自动,半自动或使用者操作。

相比之下,自动交易系统,支持不同的入口的买入/卖出订单市场,如系统能够自动进入订单不需要操作员,但可以维护的位置从一天到下一个金融工具。

没有单一的公式定义一个高频交易或自动交易系统1,6,7]。例如,它是说,一个算法交易(在)系统对应于“元素在金融投资决策和执行一个算法通过计算机和电子通讯网络”(7]。投资策略可以预定义的或自适应。这些投资策略可以由知识经济、统计学、人工智能,metaheuristics等等。

类似地,提出了一个连续的过程来开发一个高频交易系统,是基于四个步骤:(i)数据分析;(2)交易模型;(3)决策;及(iv)执行业务(7]。

因此,没有单一的公式产生高频交易系统。然而,值得注意的是,为了实现一个有效的高频交易系统,有必要考虑一系列过程常见的任何系统,即分析、识别、排序、路由和执行(8]。

在上述任何自动化系统,组件,目前最大的复杂性是实时的分析机会和寻找市场效率低下。以下类型的可用文献提到方法:(i)基于规则的方法,如统计仲裁(2]。这些方法应用一系列的规则,根据最近一个金融工具的行为和行为结果的基础上,应用这些规则。(2)基于统计的方法和数学模型,如成交量加权平均价,时间加权平均价格,移动平均线(1,7]。在这些情况下,使用一个数学或统计模型,需要一系列的参数,控制其行为。配置参数的选择是由手工操作负责的交易市场。(iii)方法结合统计和数学模型与优化技术基于metaheuristics [9]。这些方法使用metaheuristics自动调整参数已知的算法获得最优值为当前市场条件。(iv)方法基于机器学习,数据挖掘和处理复杂事件(1,9,10]。迅速同化,因为大量的信息流动和工作人员从任何股票市场正成为一项日益艰巨的任务;需要开发系统价格变化中能够发现隐藏的模式和金融工具或其他经济指标之间的关系,还可以将一个组件的解释“感觉”或“感应”市场新闻通过自然语言处理(例如,SuperX +德意志银行(11])。

3所示。交易算法

3.1。统计方法在高频交易

一些最受欢迎的交易算法基于统计或数学方法(7,12)如下:

成交量加权平均价(VWAP)被定义为事务额定的体积的比值对仪器的体积的交易。性能的评价是很常见的交易员的能力执行价格买入/卖出订单比VWAP地平线上的交易价格。使用VWAP的优势在于其计算简单,尤其是在市场获得详细的数据是困难的或过于昂贵。VWAP乐器一天计算如下: 在哪里仪器的体积吗交易时间 ,和仪器的市场价格吗在时间 。 可以用来减少交易成本和市场的影响。它也可以用来作为基准来验证其他算法和交易策略的有效性。

对模型的修改,称为DVWAP(动态)提出了13]。这个修改允许盘中交易(交易执行意识到在同一天)合并。这使得模型应用到一个更现实的场景的市场的消息到来影响仪器的价格。

时间加权平均价格()是一个金融工具的平均价格在一段特定的时间内的执行顺序或更好的价格。它是用来执行订单在一个特定时间保持价格接近市场反映。的的一种乐器在一段时间内计算如下: 在哪里仪器的市场价格吗在时间 。就像 , 可以用来作为基准来验证其他算法和模型的有效性。

其他类型的算法包括变量的线性计量经济模型提出的(1]。这些模型试图预测行为的其他随机变量的随机变量作为一个组合,同生和回顾,明确的分布。这样可以表示为线性模型 在哪里是一个随机变量的时间序列的预测是;和是重要的预测因素的价值 ; , ,和是决定的因素;和是剩下的错误。

移动平均(MA)模型预测未来的价格波动风险的金融工具,关注未来的数据将如何应对过去的数据的变化。生成MA模型(),延迟,我们使用 在哪里是拦截,是属于延迟系数 ,和艾尔的意想不到的组件还在拖延 。有几种方法来估计马;他们包括以下:

简单的马()是轻便的平均价格 。这可以前几天或另一个测量的时间。它也可以计算的基础上之前的时期,简化计算的计算水平。

累积硕士(CMA)是一种移动平均,所有价格被认为是直到当前即时。它的公式是相似的但从第一个开始记录为乐器市场价格。它没有被应用的交易策略。

加权马()是一个平均使用乘法因素赋予不同的权重以不同价格马在同一个窗口中(与一个固定的权函数卷积的数据点)。在贸易,减少重量分配1在每个价格在评价窗口,如下:

像马一样,提供了一个平滑函数的预测曲线。在某些情况下,它是与马一起使用;时也可以使用之前的价格不大大影响仪器的当前价格的价值。

马指数(EMA),也称为EWMA(指数加权MA),是一种类似于WMA的重量是一个指数,而不是一个线性函数。重量分配给每个市场价格指数降低,从未达到零。因此,对于一个系列 ,递归地计算教育津贴 在哪里是减少体重系数(一个恒定的值在0和1之间)。高系数值导致原价格下降更快。另外,可以表达的吗时间:

3.2。Metaheuristic模型

一些已知的交易模型和算法在文献中均有描述。应用这种算法一般是由人工手动操作符来确定何时购买,出售,或维持当前位置。罗伯特·帕尔多说,对于一个给定的组合策略,它可以优化适用于确定一组参数,产生更大的收益(9]。

这样的假设并不没有相关的问题。主要的问题是,这样的优化可以引起overperformance算法对数据的使用。最好的情况下,生成的算法不会产生预期的收益,在最坏的情况下,该算法将产生恒定的损失。理解overperformance的概念的一个方法是把一个统计模型来描述随机误差或噪声,而不是描述变量之间的关系。

Pardo获得这样的优化提出的机制涉及metaheuristics。在这方面,在和高频交易都可以被理解为复杂的优化问题。这类问题被称为类NP(不确定性多项式时间)。NP类是类问题的一个解决方案可以验证一个多项式时间算法,但考虑到困难的问题,没有算法,可以在多项式时间内生成解决方案。这意味着传统算法应用到这类问题导致执行时间增加呈指数增加的大小问题。

直到1971年,没有展示这类的问题。那一年,斯蒂芬库克展示第一np完全实际问题(14]。1972年,理查德•卡普扩大库克的想法展示一系列21 np完全类问题(15]。

因为在和高频交易都是交易金融工具在不同市场条件下的问题随着时间的推移,他们都可以归类为np类问题16]。因为两者都是基于净回报率的最大化,根据Chang和约翰逊(17),他们可以分为非完全多项式,即使在版本执行离线市场模拟。

接近一个np类问题的一种方法是使用一个metaheuristic对应于一个近似算法,结合基本的启发式方法更高的框架中解决搜索空间探索有效地和有效地18]。因此,通过一个目标函数,指导搜索过程中,一个有效的探索可能的解决方案是由一个或多个算法在搜索的解决方案。

各种各样的metaheuristic算法是可用的。其中的一些算法比其他人有更多的亲和力对于某些类型的问题,如二元问题,离散或连续变量。一些算法可以应用于只有一个变量类型,或调整必须应用转换等功能。特别是,一个方法的一个现有的算法称为粒子群优化(PSO)将呈现。

3.2.1之上。粒子群优化

介绍了PSO算法进行肯尼迪和埃伯哈特在1995年(19]试图描述羊群的社会行为的鸟类或鱼群和模型其通信机制作为解决优化问题的基础。而不是依靠“适者生存”,算法是基于个人的合作。

算法定义为metaheuristic算法优化迭代改善人口问题的候选解决方案称为粒子通过移动解决方案空间使用基于每个粒子的位置和速度的公式。每个粒子的运动是受其著名局部解,也是引导最著名的全球性的解决方案。预计,蜂群集体走向最好的解决方案在搜索空间。

在基本版本的算法,粒子的速度和位置计算如下: 在哪里的位置吗th粒子在迭代 , 的速度吗th粒子在迭代 , 是惯性因素(一个值在0和1之间),是当地加速度的因素(个人的认知成分),是全球加速因子(群)的社交组件,和与均匀分布随机数在0和1之间,是最好的前的位置th粒子,之前是最好的位置附近的吗th粒子。

存在各种各样的公式,参数的选择 , ,和 。其中一个选项是使用中建议的值(20.]。

确定参数的其他方法包括函数的执行过程中修改参数的算法。一个例子是由Fikret (21];这个例子是基于惯性参数的值, ,影响多元化(搜索空间的探索)和强化(搜索空间的开发)。高值的惯性参数支持多样化,而低价值有利于强化当地的解决方案。通过这种方式,一个指数定义的惯性参数的函数 在哪里是最初的惯性,是最后的惯性,代表当前迭代,是执行的最大迭代数,然后呢是一个梯度常数。的其他变体计算包括惯性参数的线性下降或一个随机函数与惯性。

高频交易的具体问题和在PSO算法应用于交易策略的优化参数的基于两个或两个以上的乐队的马。在这种情况下,马的时间参数参与策略对目标函数进行了优化,包括以下:(我)获得最高的净收益(收益)(2)每个事务获得最大的好处(3)获得胜利的最高比例交易或确保策略具体的财务比率更高

这样,粒子群优化算法的目标函数应用到质量的措施和分类的交易策略应用于或高频交易系统。因此,成功的将算法应用于一个高频交易和问题主要取决于目标函数提出了相同的交易模型。

4所示。方法

研究的主要目标是创建一个系统,可以自动进行交易。因此,一个系统的初步设计,可以应用在交易日定义为给定的股票市场。作为一个初始步骤,这需要定义和界定目标市场,因为世界上有多个证券交易所,每个提供一系列不同的市场,拥有特定的规定和限制。

期间使用的数据对应的交易进行2年的权益工具列在旧的国际公共部门会计标准局指数(现在被标准普尔/ CLX IPSA)所取代。这对应于一个具有高度流动性的股票在全国市场工具。特别是,2组数据。一个是公共:日常业务的登记,报CMF(金融市场委员会)和每日发表在圣地亚哥证交所的机构的网站。另一个是产品销售的数据:市场回放,它包含的数据提供了进入系统的纳秒,匿名的“Corredor de家庭”(不暴露敏感信息它所属订单的客户,%可见,内部操作,等等)。

选定目标市场后,数据,所涉及的仪器已定义,可以设计出一个系统,能够操作定义的市场和适应管理的规定和限制。相同的定义目标市场和工具将需要确定哪些外部数据,这些数据应该如何收集和处理的系统。

策略,尤其是经典的交易策略基于MA,应该使用算法验证与参数优化。不管采用的策略,系统必须支持任何类型的设计策略,因此它必须是通用的,容易扩展系统。

4.1。选择市场和金融工具

系统提出了在目前的调查将智利国家股票市场上执行。这对应于整个市场权益工具的国家货币(国家股票)。对于这个市场,需要系统有以下特点:(我)它有一个定义的操作计划。国家股票市场运作09:30至17点在夏天和冬天09:30至16:00时。在这段时间里,可以协商(输入提供和修改或取消)。上午9点之间有时间空档和09:23(加上一个随机的时间间隔0和5分钟)称为PreOpen会话中可以输入或取消执行前提供(与其他提供)。(2)在经纪公司的情况下,成本是已知的(股票交易所的权利),和现有的监管是详尽的,主要是在保证每个股票经纪人必须保持继续操作。对于一个特定的投资者,根据每个股票经纪成本不同,但是他们也知道(固定成本和可变佣金)。(3)可以确定最具流动性的股票,当回顾国际公共部门会计标准局的构成(选择性股票价格指数)。(iv)它提供了支持高频电子交易机制和电子通讯机制的订单。对于后者,机制提供制度谈判代表(经纪人和金融机构)通过DMA(直接)市场准入机制解决4.4协议,如零售市场机制(noninstitutional用户)提供的经纪人,使用路由命令客户修复4.4命令轮询。

因此,国家股票市场的股价高的存在和/或不属于国际公共部门会计标准局指标暂停使用。这并不是放弃的目的行为不符合这一标准进行分析和存储的目的只是为了避免使用他们在正常执行/高频交易系统,除非他们改变他们的条件高的存在。公共和私人来源获得的数据提供的圣地亚哥证券交易所经纪人、金融机构和专业的谈判代表。

4.2。在/高频交易系统设计

系统是基于五个附件模块和中央模块模型的执行。中央模块负责维护一个或多个交易模型通过市场行为的日常审查。

执行模型模块的操作的基本形式包括交易模型的并行复制选择的目标市场中的每一个有效的工具。每个独立访问吞并模块复制到请求信息和访问通信接口,等等,但是吞并模块处理单个副本(singleton)。

该系统允许并行执行。每个工具都有一个线程与交易的可能性;选择模型中的每个线程调整仪器的需求和特点。

线程请求它的配置参数(死刑)之间的人类操作员可以改变在其周期的开始。然后请求更新市场信息,并使用这些信息来加载模型。存储过程评估是否有必要更新信息;如果信息过时,它看起来对新信息在市场上和其他来源的数据。在这两种情况下,这个过程将最近更新或市场信息返回给模型执行人。遗嘱执行人评估模型并验证模型是否有购买的各种有利条件。如果这样的情况存在,线程请求一个风险评估的风险模块。如果风险模块确定市场情况和风险参数是正确的,风险模块授权交易。然后,可用资本的一部分购买保留,这部分资本要求的模块的处理资本和保管。可用资金,订单的参数计算; the Communications module then sends the purchase order to the market. When the order has been entered into the market, the available capital is updated. The process is repeated cyclically throughout the trading hours. At the end of each cycle, it is possible to apply a complete revision of the model to adapt it to the new market conditions. The process for sales is similar, but it manipulates the custody of the instruments rather than the available capital.

4.3。自适应模型与算法

在/高频交易模型,提出了基于自适应一些已知的马的策略。对于这种情况,我们提出一个经典模型的两个妈,一长一短,结合两个乐队止损的风险管理和stop-win。在这个模型中,有四个参数来优化,如表所示1。

表1显示了模型中涉及到的变量。这些变量受到以下限制:

2-MA策略的原则是确定当有交叉,也就是说,当短马曲线相交长马曲线。

下面的曲线可以从马当短马曲线相交长曲线从低到高价值或从上面当短马曲线相交长马曲线从高到低的价值。当一个交叉的类型(增加)时,出现有利的条件购买,因为价格会高。当交叉的第二种类型(减少),生成一个条件,丢弃购买和部队拘留通过销售被清算。

应用控制带的两个马生成止损和stop-win机制综合模型中。这些乐队满足优化模型的目标,因为在收益上乐队重视资本(从而使可用资本交易的其他并发执行线程模型),和较低的乐队减少了损失。

算法模型的最重要的特征是目标函数使用。目标函数将在第一个实例进行基于优化系统的纯收益。通过这种方式,目标函数 在哪里销售的数量吗th时期内模拟地平线,的销售价格吗th模拟交易的唯一工具,期限购买的数量吗th时期内模拟地平线,购买的价格吗th模拟交易的唯一工具,期限的可变成本th时期所需的交易的固定成本th时期所需的交易。

这个目标函数的计算净收益的时间跨度平等和连续时间。这些时间可以配置根据市场数据的粒度。

在案例中,两个模拟获得相同的目标函数的值,系统传递到下一个排除标准,每个操作的好处是最大化。这可以解释为获得的利润最大化之间的购买和随后的销售。这一标准的应用在许多情况下很难计算自模拟必须更换订单,参与真正的顺序执行,这并不总是使数量统计。在这种情况下,它可能很难重现的一系列销售操作对应于之前购买。因此,当它是一个领带,最好搬到第三个准则的歧视,这对应于计算和比较夏普比率或另一个有效的财务比率。

夏普比率定义如下(1,9]: 在哪里 最后,夏普比率/高频交易流程 在哪里代表的净回报率th时期,是无风险基准利率(一个常数代表的机会成本),然后呢是时间的数量。

夏普比率计算,目标函数出现

目标函数,自适应模型可以通过应用生成PSO算法,利用最佳组合定义的变量的问题。这使它可能有一个快速和有效的模式,是适应不断变化的市场状态。在领带的情况下盈利能力的解决方案,选择比情况下可以应用。

4.4。系统的实现

一个模块化的系统,允许可扩展性(PSO自动交易方法)。算法实现模块和自动交易引擎分离。每个实现都可以独立工作,但他们需要共同努力,找到最优参数提出了交易策略。算法模块由中央实施metaheuristics但不包括一个特殊的问题(图的元素1)。

通过这种方式,该模块包含一个优化器,需要三个接口的操作(图1)。3接口负责以下任务:

SwarmConfigurator:这个接口的实现必须提供一个扩展抽象的粒子的粒子组成的群类。因此,群配置器必须创建的初始粒子配置一个特定的问题。

ParticleNeighborhood:该接口由社区功能的实现、部分中讨论3.2。1。它的功能决定哪些是最好的粒子在一个给定的邻居粒子的速度和位置计算的粒子群可以被执行。

StopCriteriaEvaluator:优化器要求算法的停止机制。这个接口的实现必须确定每个优化周期结束时是否可以继续执行。作为判断的依据,它是一系列的相关数据,如迭代执行的数量和完整的群。

适应的特定问题进行优化,优化器要求过程扩展的抽象实现粒子。SwarmConfigurator类是负责实例化所需的实现和吞并的实现接口。这些接口包括以下几点:

粒子,粒子的抽象类,包含了粒子的位置和速度函数接口。它存储最好的局部解发现速度计算的目的。扩展它的子类必须实现的方法生成目标函数的值一起的实现方法,可以对另一个粒子相比其目标函数的值来确定哪个更有价值。出于实用目的,所使用的标准是一个粒子比另一个,如果它有一个更高的目标函数的值。

立场是接口代表一个粒子的位置对应于一个解决问题的办法。实现它的类必须能够计算到另一个位置的距离来创建不同的邻域拓扑。他们还必须接受速度接口的一个实现,把它应用到当前值,生成一个新职位。

速度是代表粒子的速度函数的接口。实现存储运动组件自己的速度计算功能。这些运动组件是应用于一个粒子的位置实现。

在第一个实例中,至少有一个接口和抽象类的实现提出了解决自动交易问题。

图2显示了社区的实现接口和控制标准。粒子群配置器的实现,速度函数,和位置表示发生在自动交易员;这是下一节讨论。每个实现的细节如下:

GBestParticleNeighborhood是一个全球性的社区功能,整群中最好的粒子集。这是最简单和最快的,因为它只需要找到最大化目标函数的粒子迭代。

LBestParticleNeighborhood是当地社区功能的两个粒子接近给定的粒子搜索和选择最好的三粒子。这是慢的,因为它需要执行之间的距离计算的所有粒子找到粒子相互靠近。

BasicStopCriteriaEvaluator拘留标准是基于迭代执行的数量。当指定的迭代的数量已经达到,PSO算法停止。当它停了,最好的近似解的整体最优。

4.5。实现自动交易

对于自动交易引擎的实现,是一个核心模块,执行必要的协调处理相关信息通过吞并一个金融工具模块是专门来执行特定的任务。中央自动交易逻辑的模块对应于一个抽象类,可以推广到任何类型的股票市场(股票、固定收益、等);它使用一系列的接口来访问目标市场中的专业模块。中央模块定期运行(节拍),并评估其内部交易算法在每次运行的时间间隔。如果一个买入/卖出信号生成,它继续使用相应的模块来执行操作。点值确定系统表现为高频交易系统或作为一个系统。

为其正确运作,中央系统的类必须扩展生成特定类型的交易员的必要功能。至少需要两种类型的交易者:模拟一个市场交易员和一位交易员与真正的市场。

在系统的初始版本,实现接口的模拟引擎创建所需的PSO算法。这个实现模拟一段时间的市场通过数据上传到一个MS SQL server数据库。通过这种方式,生成一组参数的最大盈利能力提出交易模型的选择可以计算。

泛型算法的成套系统和在发动机结合一个简单的引导系统可以执行实验室测试在做市商与收集到的数据。引导系统是基于一个文本文件,配置和参数表明记忆进入优化器。

基于执行实验室测试,做了大量的改进实现的系统,发电性能的优化版本。的目的是确保解决方案的优化过程使用PSO收敛迅速足够多次执行期间一天的交易。

改进应用解决以下问题:

马计算:在系统调用程序计算的初始版本的马独立地为每一个粒子系统操作的每个瞬间。点计算改变了增量的计算是基于先前的值和新时期和整体的实例执行所需的粒子。

马阅读:继续从之前的问题,如果对于一个给定的即时长度相同的马已经计算,然而重新计算。这引入了一个过载存储过程,必须重新计算相同的值。为了解决这个问题,一个内存中的缓存系统,允许特定的值只计算一次,但查询效率使用多次。

市场执行阅读:类似于前面的问题,这对另一个在系统模块是如何实现的。特别是,问题是发现市场在OfflineCommunicationThread仿真程序存在。因为这个例程是基于历史信息的顺序执行,必须加载相关的信息从一个存储系统(数据库)。在第一个实现中,每个粒子再次加载相同的数据从数据库中为每个迭代的算法。这问题已经解决了使用共享缓存使用的顺序执行,所有粒子在迭代。

4.6。系统测试

4.6.1。初始测试版本

初始版本的第一个实验是用来确定系统执行正确,是否能产生积极的回报。实验中使用的特定的值如下:时间:4个月(2012年1月到4月)仪器:局域网蜱虫:5分钟

选择2012年1月到4月,因为在那个时期,局域网有增加和减少的股价。如果只有一段时间增加,风险管理机制提供的止损乐队不能测试。然而,如果只有一段选择低点,系统不会执行定位(最初购买),所以它仍将是不活跃的,直到出现一段时间的增加。实验1的结果如下:持续时间:3.44小时(12388202毫秒)净回报率:> 0马短:30马:58止损:0543StopWin: 11日,3177年

实验表明,该过程会消耗大量的时间,由于存在大量的迭代执行和群的大小。这些结果的积极方面是有收益的过程,显示所选的参数可以用来配置一个交易员在一段相当接近期限内运作的优化。

检查止损的值和Stop-Win乐队揭示了一个问题。在模型中定义的值超过最大值,因为标准PSO应用速度公式。这表明调整公式的实现必须在继续之前最后的实验。第二个实验的目的是审查的行为和执行时间短。输入值如下:周期:2个月(2012年1 - 2月刊)仪器:局域网蜱虫:5分钟

实验中止中间的过程因为负值是生成的粒子的位置。这强调的事实标准的实现速度函数不能被应用到模型中,所以它必须适应。

4.6.2。优化版本测试

正如前面提到的,在系统生成的优化版本。在这个版本中,修正错误检测到在最初版本的系统实现。重复上述实验,以确定改进引入系统的水平。因此,实验3中使用的特定的值如下:时间:4个月(2012年1月到4月)仪器:局域网蜱虫:5分钟实验3的结果如下:持续时间:1分钟26秒(85950毫秒)净回报率:294186美元(利润69.96%)马短:45马:52止损:0StopWin: 0.0040370020874758985

实验成功,证明了在系统正常工作在一个合理的时间内,也能找到参数允许获得积极的盈利能力的分析。鉴于这种情况的增加,PSO算法确定的条件下确定,更方便执行大量买入/卖出的操作,反映在Stop-Win乐队非常接近于零。此外,该算法确定,使用一个更可取的是零风险,以减少损失。(见表2)

最后,执行实验确定最佳和最差的20倍,加上最好的网络理论回归。获得最好的执行时间是75598 ms,最严重的是102842 ms;两个值远低于倍获得使用系统的初始版本。平均执行时间是84259毫秒。的盈利能力最好的粒子在每个算法运行平均438870 .6 CLP波动,与一个特定的迭代使用的组合参数实现对第一个投资回报率为138%。

重复该实验通过改变蜱虫的大小。这样的行为在系统查看的方式更好的接近高频交易。实验4中使用的特定的值如下:时间:4个月(2012年1月到4月)仪器:局域网蜱虫:1分钟

在检查表中所示的实验的结果3执行时间的增加(平均377079 ms,相当于6分17秒)和理论纯收益的减少是显著的。这些变化主要是由于增加Stop-Win乐队,这是参数,使其能够产生收益期间价格上涨。对很多人来说最好的结果,我们也算一个止损乐队大于零,表明在系统将接受某种程度的风险产生利润。这种行为似乎不宜在一段时间的价格持续增长,但它可能是有利的,当价格变化在很短的时间内。

5。结论和未来的工作

在目前的研究中,我们研究了交易技术,可以操作下一个高频交易和/或一个形态。我们选择马以其简单的统计方法,其预测能力基于乐器的历史价格趋势,及其优化技术的适用性。

我们回顾了信息技术,可以应用与交易技术,选择metaheuristics作为参数优化的应用程序。Metaheuristics被选中,是因为股票市场盈利能力的优化问题是一个np类问题的应用程序的搜索方法基于Metaheuristics提出了许多优势。

此外,在系统设计提出了构建一个基于选择交易和信息技术的结合。设计系统足够灵活,允许被延伸到其他交易技术和/或搜索解决方案。

在调查中,一个在系统构造的初始版本根据该设计。这使得第一个执行实验室测试。这些测试发现的问题都在系统的实现和对特殊条件,PSO算法不准备支持。特别是,这个版本,确定在连续但限制域算法的计算速度必须有界或修改。

最后,第二个系统是建立基于最初的版本但纠正错误检测到在模型的实现和应用必要的限制PSO算法。执行的测试的基础上,可以得出结论:在系统定义能产生积极的回报。

通过这种方式,选择系统对应的改进版本。虽然远离最优改进的版本,它为未来的研究提供了理论和实践的基础上在一个领域中最大的研究来自于私人部门,而不是从学术部门。

关于算法的应用作为一种优化算法,它是一种有效的解决这个问题,因为它能够优化一组不同的但有界变量到一个特定的领域,从而实现大幅改善最终的解决方案。关于PSO优化的应用程序在系统的盈利能力,可以得出结论,必须改变或限制速度函数取决于所使用的交易模型。

如何获得最优的前一个时刻被认为是有用的信息是一个主题,还有待在未来可能的工作学习。一个可能的改进将是决定如何改变马从简单的指数会影响最优项。这将有利于乐器的近期趋势,确保波动太遥远的时间没有过度的模型中的重要性。另一个未来的工作将更复杂的应用系统的自我调节系统,这其中包括决策机制与更好的风险管理或操作小利润。

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有关的出版。

确认

Broderick克劳福德支持由格兰特CONICYT FONDECYT /定期1171243,和里卡多·索托支持由格兰特CONICYT FONDECYT /定期1160455。

引用

1. 奥尔德里奇,高频交易算法策略和交易系统的实用指南约翰•威利& Sons . n:行情),威利交易系列,2010。
2. a .极统计套利,算法交易的见解和技术约翰•威利& Sons . n:行情),威利交易系列,2007。
3. c . Massey和g .吴“检测政权转移:下,过高的原因,“管理科学,51卷,不。6,932 - 947年,2005页。视图:出版商的网站|谷歌学术搜索
4. 隐藏和记者,“这项responde一个拉斯维加斯criticas为什么法拉德苏新sistema de transacciones”2010年,http://www.economiaynegocios.cl/noticias/noticias.asp?id=73694。视图:谷歌学术搜索
5. Bolsa de Comercio de Santiago”Sintesis月刊2010年梅奥,”2010年,http://www.bolsadesantiago.com/Sintesis%20y%20Estadisticas/S%C3%ADntesis%20Mensual%20Mayo%202010.pdf。视图:谷歌学术搜索
6. w·凯特,j·柯林斯,m·基尼a·古普塔和p . Schrater”多智能体自动检测和预测经济体制交流,“决策支持系统卷,47号4、2009。视图:出版商的网站|谷歌学术搜索
7. k . f . Wang Dong,邓x”算法交易系统:设计和应用程序”,中国计算机科学的前沿,3卷,不。2、235 - 246年,2009页。视图:出版商的网站|谷歌学术搜索
8. k·肯德尔,电子和算法交易技术爱思唯尔,学术出版社、剑桥、马,美国,2007。
9. r·帕尔多交易策略的评估和优化约翰•威利& Sons . n:行情),威利交易系列,霍博肯,新泽西,美国,2008年。
10. j . Bigus数据Minig神经网络麦格劳-希尔,纽约,纽约,美国,1996年。
11. 先进的交易和Schmerken,”德意志银行(Deutsche bank)的目标是新型隐形藻类在买方,”2011年,http://www.advancedtrading.com/algorithms/229401154。视图:谷歌学术搜索
12. AMD白皮书,市场风险和算法交易图木尔资本市场,AMD & LLC凤凰城,亚利桑那州,美国,2007年。
13. m . Humphery-Jenner“最佳VWAP交易在噪声条件下,银行与金融杂志》上,35卷,不。9日,第2329 - 2319页,2011年。视图:出版商的网站|谷歌学术搜索
14. 美国厨师,“定理证明过程的复杂性,”第三届ACM学报》研讨会上的理论计算瓶的高度,页151 - 158年,俄亥俄州,美国,1971年5月。视图:谷歌学术搜索
15. r·卡普“还原性组合问题电脑计算的复杂性r·e·米勒和j·w·撒切尔,Eds。,pp. 85–103, Plenum, New York, NY, USA, 1972.视图:谷歌学术搜索
16. l . Fortnow Kilian, j . d . Pennock和m . Wellman,“赌Boolean-style:证券交易的框架基于逻辑公式,“决策支持系统,39卷,不。1,第104 - 87页,2005。视图:出版商的网站|谷歌学术搜索
17. k . Chang和a·约翰逊”,线上和线下销售限价订单市场”诉讼的第四届国际研讨会在互联网和网络经济2008年12月,上海,中国。视图:谷歌学术搜索
18. c·布卢姆和a . Roli Metaheuristics组合优化:概述和概念的比较,“ACM计算调查,35卷,不。3、268 - 308年,2003页。视图:出版商的网站|谷歌学术搜索
19. 进行j·肯尼迪和r·埃伯哈特,“粒子群优化”学报IEEE国际会议上神经网络1948年,页1942 - 11 - 12月刊珀斯,澳大利亚,1995年。视图:谷歌学术搜索
20. k . Jabri d . Dumura e . Godoya a . Mouchetteb b . Beleb,“基于粒子群优化的调优模具修改的史密斯预测器的液位控制在连铸中,“《过程控制,21卷,不。2、263 - 270年,2011页。视图:出版商的网站|谷歌学术搜索
21. m . Fikret粒子群优化和其他Metaheuristic方法混合流水车间调度问题,新加坡理工学院电气与电子工程,新加坡,2009年。

版权

版权©2018 Broderick克劳福德等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。