Intraday Hochfrequenz Forex Trading Mit Adaptive Neuro Fuzzy Inferenz Systeme

Intraday-Hochfrequenz-FX-Handel mit adaptiven Neuro-Fuzzy-Inferenz-Systemen Abdalla Kablan und Wing Lon Ng Abstract: Dieses Papier stellt ein adaptives Neuro-Fuzzy-Inferenzsystem (ANFIS) für den Finanzhandel vor, in dem die Preisbewegungen von Trainingsdaten aus Intraday vorhersagen können Zeigert die mit Hochfrequenz abgetasteten Daten. Die empirischen Daten, die in unserer Untersuchung verwendet werden, sind fünfminütige Mittelpreis-Zeitreihen von den Devisenmärkten. Die ANFIS-Optimierung beinhaltet das Backtesting sowie die Variation der Anzahl der Epochen und wird mit einer neuen Methode zur Erfassung von Volatilität unter Verwendung eines ereignisgesteuerten Ansatzes kombiniert, der Richtungsänderungen innerhalb vorgegebener Schwellen berücksichtigt. Die Ergebnisse zeigen, dass das vorgeschlagene Modell die Standardstrategien wie Buy-and-Hold oder lineare Prognose übertrifft. Downloads: (externer Link) indersciencelink. phpid38529 (texthtml) Der Zugriff auf den Volltext ist auf Abonnenten beschränkt. Verwandte Werke: Dieser Artikel kann an anderer Stelle in EconPapers verfügbar sein: Suche nach Artikeln mit demselben Titel. Export-Referenz: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Weitere Artikel in International Journal of Financial Markets und Derivate von Inderscience Enterprises Ltd Serie Daten von Darren Simpson () gepflegt. Diese Seite ist Teil von RePEc und alle hier angezeigten Daten sind Bestandteil des RePEc-Datensatzes. Ist Ihre Arbeit fehlt bei RePEc Hier ist, wie man beitragen kann. Fragen oder Probleme Überprüfen Sie die EconPapers FAQ oder senden Sie eine E-Mail an. Die Vorhersage der finanziellen Zeitreihen ist ein sehr komplizierter Prozess. Ein erster Blick auf die finanzielle Zeitreihe gibt den Eindruck, dass sie zufällig in der Natur sind. Wenn es wahr wäre, würde dies die Prognose und damit den Handel von solchen Serien außergewöhnlich schwierig machen. Die effiziente Markthypothese besagt, dass der aktuelle Preis alle verfügbaren Informationen auf dem Markt enthält. Dies führt zur Vorhersagbarkeit der meisten finanziellen Zeitreihen als eine eher umstrittene Frage. Experten haben seit Jahrzehnten die Finanzmärkte prognostiziert und gehandelt, indem sie ihr Wissen und ihre Kompetenz bei der Erkennung von Mustern und der Interpretation aktueller Finanzdaten nutzen. Dieses Papier erweitert das Adaptive Neuro-Fuzzy-Inferenz-System, um ein Expertensystem zu schaffen, das in der Lage ist, Fuzzy-Argumentation zu kombinieren, kombiniert mit der Mustererkennungsfähigkeit von neuronalen Netzwerken, die in der Finanzprognose und im Handel verwendet werden sollen. Die Neuheit des Ansatzes liegt in der Anwendung auf dem Gebiet der Hochfrequenzfinanzierung. Solch ein Ansatz wurde bisher nicht mit Hochfrequenzhandel oder als Teil einer automatisierten Handelsstrategie eingesetzt. Dies hat ein kompetentes Handelssystem hervorgebracht, das die physischen Einschränkungen von menschlichen Experten und Händlern überwindet, indem sie in extrem kurzen Zeitintervallen mehrere Entscheidungen treffen. Dies bedeutet, dass das System Vorhersagen und Handelsentscheidungen mit einer sehr hohen Frequenz durch Intra-Tage-Daten durchführen kann. Finanzielle Vorhersage, effiziente Markthypothese, Neuro-Fuzzy-Inferenz-System, Hochfrequenz-Handel Abdalla Kablan, Adaptive Neuro Fuzzy Inferenz-Systeme für High Frequency Financial Trading und Forecasting, Advanced Engineering Computing und Anwendungen in Wissenschaften, Internationale Konferenz auf. Vol 00, nein Pp. 105-110, 2009, doi: 10.1109ADVCOMP.2009.23Die Verwendung von dynamisch optimierten hochfrequenten bewegenden Mittelstrategien für den Intraday Trading Dieser Beitrag wird durch den Aspekt der Unsicherheit in der finanziellen Entscheidungsfindung und wie künstliche Intelligenz und Soft Computing motiviert Seine Unsicherheit reduzierende Aspekte können für algorithmische Handelsanwendungen verwendet werden, die in Hochfrequenz handeln. Dieses Papier präsentiert ein optimiertes Hochfrequenz-Handelssystem, das mit verschiedenen gleitenden Durchschnitten kombiniert wurde, um ein Hybrid-System zu produzieren, das Handelssysteme übertrifft, die sich ausschließlich auf bewegte Mittelwerte verlassen. Das Papier optimiert ein adaptives Neuro-Fuzzy-Inferenzsystem, das sowohl den Preis als auch seinen gleitenden Durchschnitt als Input bringt, lernt, Preisbewegungen von Trainingsdaten, die aus Intraday-Daten bestehen, vorherzusagen, dynamisch zwischen den leistungsstärksten Durchschnitten umzukehren und die Entscheidungsfindung von wann auszuführen Eine bestimmte Währung in hoher Frequenz zu kaufen oder zu verkaufen. 1 A. Kablan (2009). Ein Fuzzy Logic Momentum Analysis System für Finanz-Brokerage, Verfahren der Internationalen Konferenz über Finanztheorie und Engineering. IEEEXplore, Bd. 1, S. 57-62. ISBN: 978-0-7695-3949-2 2 A. Kablan (2009). Adaptive Neuro Fuzzy Systeme für Hochfrequenzhandel und Prognose, Verfahren der dritten internationalen Konferenz über Advanced Engineering Computing und Anwendungen in den Wissenschaften. IEEEXplore, Bd. 1, S. 105 - 110. ISBN: 978-0-7695-3829-7 3 A. Kablan, WL Ng, (2010), Hochfrequenzhandelsstrategie mit der Hilbert-Transformation, 6. Internationale Konferenz für Networked Computing und Advanced Informationsmanagement. Vol. 1, S. 466 - 471. ISBN: 978-89-88678-26-8 4 A. Kablan, WL Ng, (2010), Hochfrequenzhandel mit Fuzzy-Momentum-Analyse, Verfahren der IAENG 2010 International Conference of Financial Engineering ( ICFE), London. Vol. 1, S. 352-357. ISBN: 978-988-17012-9-9 5 A. Kablan, WL Ng, (2011), Hochfrequenz-Auftragsplanungsstrategien mit Fuzzy-Logik und Fuzzy-Inferenz, IAENG International Journal of Informatik , Sonderausgabe. 6 A. Kablan, W. L. Ng, (2011), Intraday High-Frequency Forex Trading mit Adaptiven Neuro-Fuzzy Inferenz-Systeme, Internationale Zeitschrift für Finanzmärkte und Derivate. 7 A. Kablan. Adaptive Neuro Fuzzy Inferenzsysteme für High Frequency Financial Trading und Prognose. Proceedings of the Dritte Internationale Konferenz über Advanced Engineering Computing und Anwendungen in den Wissenschaften. 2009. 8 Banik, S et. Al. (2007), Modellierung des chaotischen Verhaltens der Dhaka Stock Market Index Werte mit dem Neuro-Fuzzy-Modell, 10. Internationale Konferenz über Computer - und Informationstechnologie 9 C. Tseng, Y. Lin. Finanzielle Computational Intelligence. Gesellschaft für Computational Economics Informatik in Wirtschaft und Finanzen nein 42. 2005. 10 Chang, S. S. L (1977). Anwendung der Fuzzy-Set-Theorie auf die Ökonomie. Kybernetes 6, S. 203-207 11 Dacarogna, M. et al 2001, Eine Einführung in die Hochfrequenzfinanzierung, Akademische Presse 12 Dormale, AV (1997): Die Macht des Geldes, Macmillan Press, London 13 E. Boehmer (2005) Abmessungen der Ausführungsqualität: jüngste Hinweise auf US-Aktienmärkte. Journal of Financial Economics 78, 553-582, 2005. 14 E. F. Fama. (1970) Effiziente Kapitalmärkte: Eine Überprüfung der Theorie und der empirischen Arbeit. Journal of Finance, Seiten 383-417, 15. Mai Grabbe, J. O. (1996): Internationale Finanzmärkte, Englewood Hills, Prentice Hall Inc. 16 J. C. Bezdek, R. Krisnapuram, N. R. Pal. (1999). Fuzzy-Modelle und Algorithmen zur Mustererkennung und Bildverarbeitung. Springer 17 JM. Griffin, F. Nardari, R. Stulz. Börsenhandel und Marktbedingungen. NBER, Working Paper 10719, 1-48 2004. 18 Kablan, A, WL Ng, (2011 High Frequency Trading mit Fuzzy Momentum Analysis, Springer Engineering Letters, London 19 Li, Y. Musilek, P und Wyard-Scott, L. Fuzzy Logik in Agent-basierte Spieldesign. Jahrestagung der Fuzzy-Informationsverarbeitung 2004, Bd. 2, S. 734-739, 2004. 20 Lootsma, FA (1997) Fuzzy-Logik für Planung und Entscheidungsfindung Springer 21 M. Fedrizzi, W. Ostasiewicz (1993) Fuzzy-Modellierung in der Ökonomie Fuzzy-Sets und - Systeme, Band 54, Ausgabe 3, S. 259-268, 22 Ormerod, P. (2000) Schmetterlingsökonomie: Eine neue allgemeine Theorie des sozialen und wirtschaftlichen Verhaltens, Pantheon, New York 23 Q Lied, BS Chissom Vorhersage von Einschreibungen mit Fuzzy-Zeitreihen Teil II. Fuzzy Sets und Systeme 62, S. 1-8, 1994 24 Roger Jang, JS ANFIS: Adaptives Netzwerk-basiertes Fuzzy-Inferenzsystem, IEEE Transactions on Systems, Man Und Kybernetik, 23 (3) (1993) 665-685. 25 S. Chabaa und A. Zeroual Vorhersage von Paketübertragungsdaten über IP-Netzwerke mit Adaptiven Neuro-Fuzzy-Inferenzsystemen. Zeitschrift für Informatik Vol. 5 (2), S. 123-130, 2009. 26 Schulmeister, S, 2009, Eine allgemeine Finanztransaktionssteuer: Eine Abkürzung der Pros, der Nachteile und eines Vorschlags, WIFO Working Paper Nr. 344. 27 T. Hellstrm und K. Holmstrom Vorhersage der Börse. Technischer Bericht Ima-TOM-1997-07, Zentrum für Mathematische Modellierung, Institut für Mathematik und Physis, Malardalen Universität, Västeras, Schweden, August 1998. 28 T. Takagi und M. Sugeno. Fuzzy Identifikation von Systemen und deren Anwendung auf Modellierung und Steuerung, IEEE Transaktionen auf Systeme, Mensch und Kybernetik, Bd. 15, S. 116-132, 1985. 29 Takagi T. und Sugeno, M. Fuzzy Identifizierung von Systemen und deren Anwendung auf Modellierung und Kontrolle, IEEE Transaktionen auf Systeme, Mensch und Kybernetik, 15 (1985) 116-132. 30 Wilson, R. und Sharda, R. Insolvenzvorhersage mit neuronalen Netzen, Decision Support Systems, 11 (1994) 545-557. 31 Yeh, S. Landsmann, W. R. Miller, B. L. Peasnell, K. V. (2011). Haben die Anleger wirklich schmutzigen Überschuss. Die Buchführung, 86 (1), 237-258. 32 Yoon, Y. Guimaraes, T. und Swales, G. Integration von neuronalen Netzwerken mit regelbasierten Expertensystemen, Decision Support Systems, 11 (1994) 497-507. 33 Zadeh, L. Fuzzy setzt. Information und Kontrolle, vol. 8, pp 338-353, 1965. 34 Zadeh, LA Fuzzy Sets, Information Control, 8 (1965) 338-353.Intraday High Frequency Fx Trading Finance Essay Veröffentlicht: 23. März 2015 Zuletzt bearbeitet: 23. März 2015 Dieser Aufsatz hat Von einem Studenten eingereicht wurden. Dies ist kein Beispiel für die Arbeit unserer professionellen Essay-Autoren. Finanzinvestoren und Händler haben immer versucht, die Bewegung der Aktienmärkte zu prognostizieren. Der Finanzhandel selbst ist in eine komplexe Struktur eingebettet, die nicht nur die Dynamik der Preisbildung, sondern auch die Marktmikrostruktur selbst beinhaltet. Marktinformationen, Nachrichten und externe Faktoren beeinflussen die Investoren Handelsentscheidungen über den Kauf und Verkauf. Normalerweise ist das Preismuster schwer zu erkennen, zu bemerken oder zu kategorisieren, unabhängig von der Art des tatsächlichen Finanzmarktes studiert (Murphy, 1986). Dieses Papier präsentiert ein Modell, das versucht zu beweisen, dass künstliche Intelligenz und Soft Computing wie das Adaptive Neuro-Fuzzy Inference System (ANFIS) eine große Lösung in solchen Aufgaben bieten kann. Der Fuzzy-Logik-Ansatz, der von einem Modell des menschlichen Denkens inspiriert wird, in dem sprachliche Begriffe verwendet werden und unscharfe (im Gegensatz zu knackigen) Mengen manipuliert werden, wird in neuro-fuzzy-Systemen mit der Mustererkennungsfähigkeit von neuronalen Netzwerken kombiniert (Konstantaras, Varley, Vallianatos, Collins und Holifield, 2006). Die jüngste Eskalation in der Rechenleistung hat zu einer enormen Zunahme der Verfügbarkeit von Daten und Informationen geführt. Computer, Sensoren und Informationskanäle entwickeln sich schneller und Daten sind leichter zu sammeln als je zuvor. Aufgrund der Verfügbarkeit von Echtzeit-Orderbuchinformationen heutzutage stellt der Unterschied bei Entscheidungsfindung und Risikobereitschaft unter verschiedenen Händlern einen komplizierten Prozess dar, der die Marktbedingungen beeinflusst. Hochfrequenzhandel ist eine neue Disziplin im Finanzhandel, in der Trends in Tick-by-Tick-Mode analysiert werden und Kauf - und Verkaufsentscheidungen getroffen werden. Daher würde die Implementierung eines Systems, das ein Mittel zur Erfassung und Prognose der Marktbewegungen auf der Echtzeit-Ebene bieten würde, dazu beitragen, die Investoren-Finanzhandelsrekord zu verbessern (Dacarogna et al., 2001). Dieses Papier schlägt eine neue rechnerische Verarbeitungs - und Filtrationstechnik vor, die in der vorhandenen Literatur noch nicht vollständig diskutiert oder umgesetzt wurde (für eine aktuelle Umfrage zu algorithmischen Handelsstrategien und Handelssystemen siehe Aldridge (2009)). Traditionsgemäß konzentrieren sich die meisten in der Literatur dargestellten Vorhersagealgorithmen auf den Data Mining, der die Integration von Statistiken, maschinellen Lernparadigmen und die Analyse von dynamischen Systemen (Hellstrom und Holmstroumlm, 1998) ist. Darüber hinaus, da finanzielle Zeitreihen oft sehr laut sind, sollte ein Filterprozess folgen, um solches Rauschen aus dem Signal zu entfernen (Sheen, 2005). Für dieses automatisierte Handelssystem wurde eine ANFIS-Architektur gewählt, da es sehr hohe Leistung bei der Modellierung nichtlinearer Funktionen und bei der Identifizierung nichtlinearer Komponenten (Denai, Palis und Zeghbib, 2007) zeigt. Die vorgeschlagene finanzielle ANFIS nutzt einen hybriden Lernalgorithmus und ist in der Lage, eine eindeutige Input-Output-Mapping zu erstellen, die sowohl auf menschlichem Wissen (Fuzzy-Regeln) als auch auf Stipulations-Input-Output-Datenpaaren basiert (Castillo, Fontenla-Romero und Alonso-Betanzos, 2006). Es hat auch hervorragende Ergebnisse bei der Vorhersage chaotischer Zeitreihen gezeigt (Jang, 1993). Da sich das Handelssystem auch mit Intraday-Daten beschäftigt, müssen die Daten, die an das System eingegeben werden, in einer bestimmten Weise entschlüsselt werden, um die deterministische Komponente in den Zeitreihen zu trennen, da sie sonst eine störende Autokorrelation einführen würde. Die Entrüstung erfolgt mit einem neuen ereignisbasierten Maß an Volatilität. Die Erinnerung an das Papier ist wie folgt organisiert. Abschnitt 2 stellt die Methodik vor. Abschnitt 3 zeigt die empirischen Daten und die Ergebnisse. Abschnitt 4 schließt ab. 2. Methodik Im Folgenden beschreibt Abschnitt 2.1 zunächst das Design und die Architektur des Adaptiven Neuro-Fuzzy Inference Systems (ANFIS), das ursprünglich von Jang (1993) eingeführt wurde. Abschnitt 2.2 erweitert dann die Verwendung von ANFIS für den Finanzhandel. In Abschnitt 2.3 wird ein ereignisbasiertes Maß der Volatilität eingeführt, um in die ANFIS eingezogen zu werden, um die Intraday-Saisonalität zu erfassen und den Handelsplan zu optimieren. 2.1 Das ANFIS Framework Das ANFIS ist ein adaptives Netzwerk von Knoten und direktionalen Links zu den zugehörigen Lernregeln. Der Ansatz lernt die Regeln und Mitgliederfunktionen aus den Daten (Takagi und Sugeno, 1985). Es heißt adaptiv, weil einige oder alle Knoten Parameter haben, die die Ausgabe des Knotens beeinflussen. Diese Netzwerke identifizieren und lernen Beziehungen zwischen Inputs und Outputs, und haben hohe Lernfähigkeit und Mitgliedschaft Funktion Definition Eigenschaften. Obwohl adaptive Netzwerke eine Reihe von unterschiedlichen Ansätzen abdecken, werden wir für unsere Zwecke eine detaillierte Untersuchung der von Jang, Sun und Mizutani (1997) vorgeschlagenen Methode mit der in Abbildung 1 dargestellten Architektur durchführen. Die kreisförmigen Knoten haben eine feste Input - Ausgabe-Beziehung, während die quadratischen Knoten Parameter haben, die gelernt werden sollen. Typische Fuzzy-Regeln sind definiert als eine bedingte Aussage in der Form: Abbildung 1: ANFIS-Architektur für eine Zwei-Regel Sugeno-System X und Y sind linguistische Variablen Ai und Bi sind linguistische Werte, die durch Fuzzy-Sets auf den jeweiligen Diskussionsuniversen X bzw. Y bestimmt werden . Jedoch verwenden wir in ANFIS das Takagi-Sugeno-System 1. Takagi und Sugeno, 1985, das ist X und Y repräsentieren die Universen des Diskurses Ai und Bi sind sprachliche Begriffe, die durch ihre Zugehörigkeitsfunktionen definiert sind, und pi, qi und ri sind Die konsequenten Parameter, die im Vorwärtspass im Lernalgorithmus aktualisiert werden. Der Vorwärtsdurchlauf propagiert den Eingangsvektor durch die Netzwerkschicht nach Schicht. Im Rückwärtspass wird der Fehler durch das Netzwerk in ähnlicher Weise zur Rückverbreitung zurückgegeben. Wir diskutieren kurz die 5 Schichten im Folgenden: Die Ausgabe jedes Knotens in Schicht 1 ist also: Im Wesentlichen ist die Zugehörigkeitsstufe für x und y. Obwohl die Zugehörigkeitsfunktionen sehr flexibel sein könnten, führen experimentelle Ergebnisse zu dem Schluss, dass für die Aufgabe der Finanzdatenausbildung die glockenförmige Zugehörigkeitsfunktion am besten geeignet ist (siehe auch Abonyi, Babuska und Szeifert (2001)). Wir berechnen dort, wo Parameter zu erlernen sind. Dies sind die Prämissenparameter. In Schicht 2 ist jeder Knoten fixiert. Hierbei handelt es sich bei der t-Norm um die Zugehörigkeitsstufen, z. B. das Produkt: Schicht 3 enthält feste Knoten, die das Verhältnis der Zündstärken der Regeln berechnen: Die Knoten in Schicht 4 sind adaptiv und führen die Folge von Die Regeln: Die Parameter () in dieser Schicht sind zu bestimmen und werden als die daraus folgenden Parameter bezeichnet. In Schicht 5 berechnet ein einzelner Knoten die Gesamtausgabe: So wird der Eingangsvektor typischerweise über die Netzwerkschicht gelegt. Wir betrachten dann, wie die ANFIS die Prämisse und die daraus folgenden Parameter für die Zugehörigkeitsfunktionen und die Regeln erlernt. Wir wenden den von Jang, Sun und Mizutani (1997) vorgeschlagenen Hybrid-Lernalgorithmus an, der eine Kombination aus steilsten Abstiegs - und Kleinste-Quadrate-Schätzungen zur Kalibrierung der Parameter im adaptiven Netzwerk verwendet (siehe auch Fontenla-Romeroll (2003)). Wir teilen den gesamten Parametersatz S in zwei weitere Sätze auf. Die Menge der Prämissen (nichtlineare) Parameter und. Die Menge der konsequenten (linearen) Parameter. In dieser Studie verwendet ANFIS einen Zwei-Pass-Lernalgorithmus. Im Vorwärtsdurchlauf ist unmodifiziert und wird unter Verwendung eines LSE-Algorithmus berechnet, während im Rückwärtslauf unmodifiziert und unter Verwendung eines Gradientenabsenkungsalgorithmus, wie z. B. einer Rückverbreitung, aktualisiert wird (siehe auch Abbildung in 2). Die Aufgabe des ANFIS-Lernalgorithmus für diese Architektur besteht darin, alle modifizierbaren Parameter zu stimmen und die ANFIS-Ausgabe mit den Trainingsdaten zu vergleichen. Wenn die Prämissenparameter und die Zugehörigkeitsfunktion fixiert sind, kann die Ausgabe des ANFIS-Modells geschrieben werden. Insbesondere besteht der Lernprozess aus einer Vorwärts - und Rückverbreitung, wobei im Vorwärtslauf funktionale Signale vorwärts gehen, bis Schicht 4, und die daraus folgenden Parameter werden durch die kleinste quadratische Schätzung identifiziert. Im Rückwärtslauf gehen die Fehlerraten rückwärts aus und die Prämissenparameter werden durch den Gradientenabfall aktualisiert. Für vorgegebene feste Werte von. Die Parameter, die durch diesen Ansatz gefunden werden, sind garantiert das globale Optimum. Tabelle 1 enthält eine Zusammenfassung der Lernmethoden. Der Ausgabefehler wird verwendet, um die Prämissenparameter mittels eines Standard-Back-Propagation-Algorithmus anzupassen. Tabelle 1: Lernmethoden Zusammenfassung Vorwärts Pass Rückwärts Pass Premise Parameter Listing 3: Optimierung von ANFIS mit ISOM 3. Empirische Daten und Ergebnisse Der Devisenmarkt (FX) ist ein 24-Stunden-Markt mit hoher Liquidität und Volatilität mit drei großen Zentren Verschiedene Teile der Welt: New York, London und Tokio. Es ist am höchsten in der Volatilität während der frühen Morgen New York Zeit, weil beide Banken in London und New York sind offen und gleichzeitig Handel. In FX-Rendite-Distributionen werden stilisierte Fakten wie Intensiv-Asymmetrie und schwere Schwänze beobachtet (Bauwens et al., 2005). Geschäftsbanken, Unternehmens-, Finanz - und Einzelhandelsinstitute aus der ganzen Welt nehmen am Devisenhandel teil. Der Preis auf dem Devisenmarkt wird durch den Kauf und Verkauf von Währungen an Institutionen, Händler, Exporteure, Importeure, Portfoliomanager und Touristen gebildet. Heutzutage werden Aufträge elektronisch über automatisierte Brokerage-Terminals abgestimmt. Yoon, Guimareas und Swales (1994) geben an, dass etwa 85 aller FX-Geschäfte zwischen Market Maker auftreten. Dies schafft eine Gelegenheit für Spekulationen. Allerdings ist die Spekulation im Devisenmarkt ein Nullsummenspiel, was bedeutet, dass kumulative Gewinne kumulative Verluste entsprechen können. In diesem Kapitel wurde der Eingang des Systems hochfrequente FX-Daten von 04042006 bis 04042008 abgetastet. Das System wurde auf fünf Wechselkurse getestet, die: EURUSD, AUDUSD, GBPUSD, USDCHF und USDJPY sind. Abbildung 6 zeigt die verschiedenen Zeitreihen, die in dieser Studie verwendet wurden. Abbildung 6: Zeitreihen aller fünf FX-Währungspaare von 04042006 bis 04042008 beobachtet, normalisiert auf 1USD Dieser ursprüngliche Datensatz von fünfminütigen Preisdaten ist in (nicht überlappende) Teildatensätze mit m500 Datenpunkten aufgeteilt, für jeden der FX-Raten. Ein zu kleines m (sagen wir 100 Punkte) reichen vielleicht nicht aus, um Impulse zu erzeugen und eine gewünschte Anzahl von Beobachtungen (Ereignisse) zu erreichen, da die Schwelle nicht überschritten werden könnte. Ebenso könnte eine größere Zahl mehr Beobachtungen enthalten, die wir für einen Lauf des Systems wünschen, was zu Übertraining und Überfüllung führen würde. Da alle Hochfrequenz-FX-Raten eine unterschiedliche Anzahl an Datenpunkten aufweisen, wurde m so gewählt, dass alle Serien über vergleichsweise vergleichbare Sub-Datensätze verfügen. Für jede FX-Ratenreihe werden die ersten 500 quotin-samplequot-Datenpunkte in jeder Teilmenge für das Systemtraining verwendet. Die nachfolgenden 500 Datenpunkte werden als quoten-out-samplequot betrachtet und zur Validierung der Systemleistung und zur Aktualisierung der Netzwerkstruktur mit dem Ausgabefehler verwendet. Die 500 Datenpunkte, die für die Validierung bei einer Simulation verwendet wurden, können für die Umschulung des Systems in der nächsten Simulation wiederverwendet werden, wodurch ein Rollfenster für das Training und die Validierung des Systems geschaffen wird, wobei alle verfügbaren Daten verwendet werden. Um die Performance des vorgeschlagenen Modells zu bewerten, werden wir die ANFIS mit der Standard-Buy-and-Hold-Strategie vergleichen, wobei das Sharpe-Verhältnis und das Sortino-Verhältnis zur Bewertung verwendet werden. Die Sharpe-Ratio wird für die risikoadjustierte Rendite eines Anlagevermögens oder eines Portfolios verwendet, was den Anlegern mitteilen kann, wie gut die Rendite eines Vermögenswertes die Anleger für das eingegangene Risiko entschädigt. Mit anderen Worten, die Sharpe-Ration kann den Anlegern sagen, ob die Renditen eines Vermögenswerts oder eines Portfolios aus einer intelligenten Handelsstrategie oder einem übermäßigen Risiko resultieren. Die Sharpe-Ratio ist definiert, wobei Rp die erwartete Rendite, Rf der risikofreie Zinssatz und p die Portfoliovolatilität bezeichnet. Die Sharpe-Ratio misst die Risikoprämie pro Anteil des Gesamtrisikos in einem Anlagevermögen oder einem Portfolio. Investoren wählen oft Investitionen mit hohen Sharpe-Ratios, weil je höher die Sharpe-Ratio ist, desto besser ist ihre risikoadjustierte Performance. Ähnlich ist das Sortino-Verhältnis definiert, wobei neg die Standardabweichung von nur negativen Vermögenswertrenditen bezeichnet. Der Hauptunterschied zwischen dem Sharpe-Verhältnis und dem Sortino-Verhältnis besteht darin, dass das Sortino-Verhältnis nur die Abwärtsvolatilität bestraft, während das Sharpe-Verhältnis sowohl die Aufwärts - als auch die Abwärtsvolatilität bestraft. So misst die Sortino-Ratio die Risikoprämie pro Anteil des Abwärtsrisikos in einem Anlagevermögen oder einem Portfolio. Beim Training der ANFIS wurde nach dem Ausführen von ersten Experimenten bemerkt, dass je größer die Anzahl der Epochen ist, desto stabiler ist das System wegen der Dämpfungsschwingung (siehe Abbildung 4). Je größer die Größe des Schritts ist, desto schneller werden die Fehler abnehmen, obwohl es noch mehr Schwingungen gibt. Bei der Gestaltung eines Systems, das in Hochfrequenz handeln wird, ist eine Hauptkategorie, die zusammen mit hoher Leistung und optimalen Ergebnissen erfüllt werden muss, hohe Geschwindigkeit oder Laufzeit und Ausführung. Wie aus der obigen Tabelle und den Plots ersichtlich ist, führt eine geringe Anzahl von Epochen zu einem System, das extrem schnell ist, während die Geschwindigkeit abnimmt, wenn die Anzahl der Epochen zunimmt. Auf der anderen Seite produziert eine geringe Anzahl von Epochen sehr schlechte Ergebnisse im Vergleich zu einer höheren Anzahl von Epochen, die ein System mit sehr hohen Leistungsraten erzeugt. Allerdings wurde auch aus den Experimenten beobachtet, dass, da die Anzahl der Epochen zunimmt, ein Stadium stattfindet, in dem die Leistung nicht so stark wie nötig ansteigt, während die Zeit der Ausführung drastisch zunimmt. Daher ist es eine Frage des Kompromisses zwischen Geschwindigkeit und Leistung. Dieses Problem kann durch die Wahl eines Systems mit 80 Epochen gelöst werden, wo es sich herausgestellt hat, die höchste Leistung für die kleinste Zeit nach umfangreichen Experimenten zu produzieren (siehe Tabelle 2). Da das System in fünfminütigen Intervallen gehandelt wird, kann eine Zeit von 25,15 Sekunden aufgrund der Komplexität des ANFIS-Designs nicht als eine lange Ausführungszeit betrachtet werden. Tabelle 2: Out-of-sample-Auswertung des ANFIS-Systems mit verschiedenen Epochenzahlen Num. Von Epochen CPU-Zeit (Sek.) Gewinnrate Gewinnfaktor Nachdem die Anzahl der zu berücksichtigenden Epochen bestimmt wurde, wurde ANFIS Daten aus den Tageszeiten eingegeben, als die Anzahl der Beobachtungen 10 Ereignisse überschritten hatte. Nach der Ausbildung auf Daten mit höherer Volatilität (Stresstraining) wird ANFIS die Vorhersage eines Satzes von Prüfdaten durchführen. Wie gesagt, werden die Ergebnisse der ANFIS-Performance mit einer traditionellen Buy-and-Hold-Strategie als Benchmark-Modell verglichen. Tabelle 3 berichtet über die durchschnittliche Gesamtleistung des Systems im Vergleich zu einer traditionellen Buy-and-Hold-Strategie. Positive Sharpe - und Sortino-Verhältnisse zeigen, dass das System kein hohes Risiko für die erzielte Rendite eingegangen ist. Gewinnende Rendite Profit Factor Return of Investment Sharpe Ratio Tabelle 3: Vergleich der durchschnittlichen Performance-Maßnahmen in der Out-of-Sample sowohl für die ANFIS als auch für die Buy-and-Hold-Trading-Strategie Die Gewinnrate beschreibt die Anzahl der Sieger-Trades gegenüber dem Gesamt - Anzahl der Trades. Die oben genannten zeigt, dass im Durchschnitt das ANFIS-System die Standard-Buy-and-Hold-Strategie in der Gesamtzahl der Siege übertrifft. Der Gewinnfaktor beschreibt hauptsächlich die historische Profitabilität einer Reihe von Trades auf eine Investition. Der Break-even des Profitfaktors ist 1 bedeutet eine Investition, die Trades mit einer Chance von 50 Chancen auf die Bruttosumme von Gewinnen Trades und eine 50 Chance der Bruttosumme der Verluste Trades generiert. Normalerweise wählen Investoren Investitionen mit dem Gewinnfaktor höher als eins. Das obige zeigt, dass das ANFIS-System in den meisten Fällen einen Gewinnfaktor von mehr als 1 hat. Die Rendite der Anlage (ROI) dient der Bewertung der Effizienz einer Anlage oder der Ertragsveränderung. Das heißt, ROI ist das Verhältnis des Gewinns, der bei einer Investition in Bezug auf die Höhe der investierten Kosten gewonnen oder verloren gegangen ist. Tabelle 3 zeigt, dass ANFIS einen höheren ROI als die traditionelle Buy-and-Hold-Strategie erhalten hat. Schließlich zeigen auch die Sharpe Ratio und Sortino Ratio, die die Investition pro Risikoeinheit messen, eine bessere Performance des ANFIS-Modells, aber im Vergleich zu den anderen Benchmarkwerten weniger konsistent. 4. Schlussfolgerungen In diesem Projekt wurde das unverwechselbare Gebiet des Soft Computing und der künstlichen Intelligenz angesprochen, indem es die Leistung des adaptiven Neuro-Fuzzy-Inferenzsystems (ANFIS) durch die Manipulation der Anzahl der Epochen und der Lernrate überarbeitet und verbessert. Es wurde festgestellt, dass eine gewisse Anzahl von optimalen Epochen nicht überschritten werden sollte, da dies das System nicht drastisch verbessern würde. Das in diesem Projekt vorgeschlagene Intraday Seasonality Observation Model (ISOM) wurde auf verschiedenen Schwellenwerten getestet. Die Beobachtung einer Richtungsänderung innerhalb einer Schwelle führt dazu, den Zeitstempel und seine daraus folgende Ergänzung zu allen Beobachtungen, die während dieser Zeit gemacht wurden, zu nehmen. Die Kraft dieser Methode liegt in der Tatsache, dass jede Schwelle für jede Zeitfrequenz verwendet werden kann. Dies führt zur Beobachtung von Ereignissen für die gesamte Datenreihe aus einer neuen Perspektive. Die obigen Konzepte der ereignisgesteuerten Volatilität haben sich mit der ANFIS bewährt, wenn genügend Daten zur Durchführung des ISOM vorhanden sind. Ein Vergleich des vorgeschlagenen Modells mit der Standard-Buy-and-Hold-Handelsstrategie zeigt eine Outperformance des Intraday ANFIS. Danksagung Die Autoren sind sehr dankbar für Steve Phelps, den Redakteur und drei anonyme Schiedsrichter für ihre wertvollen Kommentare und Vorschläge, die zu einer Verbesserung dieser Arbeit geführt haben. Referenzen Abonyi, J. Babuska, R. und Szeifert, F. (2001). Fuzzy-Modellierung mit multivariaten Membership-Funktionen: Grey Box Identification and Control Design. IEEE-Transaktionen auf Systeme, Mann und Kybernetik - Teil B: Kybernetik, 31, 755-767. Aldrige, I. (2009). Hochfrequenzhandel - ein praktischer Leitfaden für algorithmische Handelsstrategien und Handelssysteme. Wiley, New Jersey. Bawens, L. Omrane, B. und Giot, P. (2005). News Ankündigungen, Marktaktivitäten und Volatilität im Euro-Dollar Devisenmarkt. Journal of International Money and Finance, 24, 1108-1125. Castillo, E. Guijarro-Berdinas, B. Fontenla-Romero, O. und Alonso-Betanzos, A. (2006). Eine sehr schnelle Lernmethode für neuronale Netze, die auf einer Sensitivitätsanalyse basieren. Journal of Machine Learning Research, 7, 1159-1182. Chelani, A. und Hasan, M. (2001). Vorhersage der Stickstoffdioxidkonzentration in der Umgebungsluft mit künstlichen neuronalen Netzen. Internationale Zeitschrift für Umweltstudien, 58, 487-499. Dacarogna, M. Genccedilay, R. Muumlller, U. A. Pictet, O. und Olsen, R. (2001). Eine Einführung in die Hochfrequenzfinanzierung. Akademische Presse, San Diego. Denai, M. Palis, F. und Zeghbib, A. (2007). Modellierung und Steuerung von nicht-linearen Systemen mit Soft-Computing-Techniken. Applied Soft Computing, 7, 728-738. Fontenla-Romeroll, O. (2003). Lineare kleinste Quadrate basierte Methoden für neuronale Netzwerke lernen. Vorlesungsunterlagen in Informatik, 27, 84-91. Glattfelder, J. B. Dupuisy, A. und Olsen, R. (2009). Eine umfangreiche Reihe von Skalierungsgesetzen und der FX-Küstenlinie, Working Paper, arXiv: 0809.1040. Hellstrom, T. und Holmstroumlm, K. (1998). Vorhersage der Börse, Technischer Bericht Ima-TOM-1997-07. Schweden: Zentrum für Mathematische Modellierung, Fachbereich Mathematik und Physik, Maumllardalen Universität. Jang, J. R. (1993). ANFIS: Adaptives netzwerkbasiertes Fuzzy-Inferenzsystem. IEEE-Transaktionen auf Systeme, Mensch und Kybernetik, 23 (3), 665-685. Jang, J. R. Sun, C. T. und Mizutani, E. (1997). Neuro-Fuzzy und Soft Computing. Prentice Hall, Upper Saddle River, NJ. Konstantaras, A. Varley, M. R. Vallianatos, F. Collins, G. und Holifield, P. (2006). Neuro-Fuzzy-Vorhersage-basierte Adaptive-Filterung, die auf stark verzerrte magnetische Feldaufnahmen angewendet wird. IEEE Geoscience und Fernerkundungsbriefe, 3 (4), 439-441. Mitra, P. Maulik, S. Chowdhury, S. P. und Chowdhury, S. (2008). ANFIS-basierter automatischer Spannungsregler mit Hybrid-Lernalgorithmus, International Journal of Innovations in Energiesystemen und Power, 3, 5-10. Murphy, J. (1986). Technische Analyse von Futures-Märkten. New York Institute of Finance, New York Sheen, J. N. (2005). Fuzzy Financial Decision-Making: Load Management Programme Fallstudie. IEEE-Transaktionen auf Energiesystemen, 20 (4), 1808-1817. Takagi, T. und Sugeno, M. (1985). Fuzzy Identifikation von Systemen und deren Anwendung auf Modellierung und Steuerung. IEEE-Transaktionen auf Systeme, Mensch und Kybernetik, 12, 116-132. Yezioroa, A. Dongb, B. und Leite, F. (2008). Ein angewandter künstlicher Intelligenzansatz zur Bewertung von Gebäudeleistungssimulationswerkzeugen. Energie und Gebäude, 612-620. Yoon, Y. Guimaraes, T. und Swales, G. (1994). Integration von neuronalen Netzwerken mit regelbasierten Expertensystemen. Entscheidungsunterstützungssysteme, 11, 497-507. Essay Writing Service Vollständig referenziert, pünktlich geliefert, Essay Writing Service. Assignment Writing Service Alles, was wir tun, ist darauf ausgerichtet, die bestmögliche Zuordnung für Ihre genauen Anforderungen zu schreiben Marking Service Unser Marking Service hilft Ihnen, die Bereiche Ihrer Arbeit auszuwählen, die eine Verbesserung benötigen. FREIE Referenzgeneratoren Werkzeuge, die Ihnen bei der Erstellung von akademischen Referenzen in einer Reihe von Stilen helfen. FREIE Hilfe Guides Alles, was Sie während Ihres Studiums wissen müssen Jetzt bestellen Unsere Experten warten darauf, Ihnen bei Ihrem Essay zu helfen Unsere Experten können Ihnen bei Ihrer Aufsatzfrage helfen Anfrage Removal Wenn Sie der Originalschreiber dieses Aufsatzes sind und nicht mehr wünschen Haben Sie den Aufsatz auf der UK Essays Website veröffentlicht, dann klicken Sie bitte auf den Link unten, um die Entfernung zu beantragen: Mehr aus UK Essays Investieren Sie in Ihre Zukunft heute Copyright Kopie 2003 - 2017 - UK Essays ist ein Handelsname von All Answers Ltd, ein Unternehmen registriert in England und Wales. Firmenbuchnummer: 4964706. Umsatzsteuer-Identifikationsnummer: 842417633. Registered Data Controller Nr .: Z1821391. Sitz der Gesellschaft: Venture House, Cross Street, Arnold, Nottingham, Nottinghamshire, NG5 7PJ.