Intraday trading FX ad alta frequenza con adattivi sistemi di inferenza neuro-fuzzy Abdalla Kablan e Wing Lon Ng Abstract: Questo articolo introduce un adattativo sistema di inferenza neuro-fuzzy (ANFIS) per la negoziazione finanziaria, che impara a prevedere i movimenti dei prezzi a partire dai dati di formazione costituito da intraday tick dati campionati ad alta frequenza. I dati empirici utilizzati nella nostra indagine sono cinque minuti a serie temporali a metà prezzo dai mercati FX. L'ottimizzazione ANFIS coinvolge back-test e variando il numero di epoche, ed è abbinato ad un nuovo metodo per catturare volatilità utilizzando un approccio event-driven che prende in considerazione i cambiamenti di direzione entro soglie prestabiliti. I risultati mostrano che il modello proposto supera strategie standard come acquistare-and-hold o previsione lineare. Download: (link esterno) indersciencelink. phpid38529 (texthtml) Accesso al testo integrale è riservato agli abbonati. Lavori collegati: Questo articolo può essere disponibile altrove in EconPapers: Ricerca di oggetti con lo stesso titolo. Export di riferimento: BibTeX RIS (nota, ProCite, RefMan) HTMLText Altri articoli in International Journal of Mercati finanziari e derivati dai dati Inderscience Enterprises Ltd Serie mantenuti da Darren Simpson (). Questo sito è parte di RePEc e tutti i dati visualizzati qui fa parte del set di dati RePEc. È il vostro lavoro manca da RePEc Ecco come contribuire. Per domande o problemi Controllare la EconPapers FAQ oppure invia una mail to. The Usa di dinamicamente ottimizzata ad alta frequenza Moving strategie media per il trading intraday Questo documento è motivato dal l'aspetto di incertezza nel processo decisionale finanziario, e come intelligenza artificiale e soft computing, con la sua incertezza riducendo gli aspetti può essere utilizzato per le applicazioni di trading algoritmico che il commercio in alta frequenza. Questo articolo presenta un sistema di trading ad alta frequenza ottimizzato che è stato combinato con varie medie mobili per la produzione di un sistema ibrido che supera sistemi di trading che si basano esclusivamente su medie mobili. La carta consente di ottimizzare un sistema di inferenza neuro-fuzzy adattivo che prende sia il prezzo e la sua media mobile come input, impara a prevedere i movimenti dei prezzi a partire dai dati di formazione costituito da dati intraday, in modo dinamico passa tra le migliori prestazioni medie mobili, ed esegue il processo decisionale di quando di acquistare o vendere una determinata valuta in alta frequenza. 1 A. Kablan (2009). Una logica Fuzzy Momentum Sistema di analisi per Brokerage finanziaria, lavori della Conferenza internazionale sulla teoria finanziaria e Ingegneria. IEEEXplore, Vol 1, pp 57-62. ISBN: 978-0-7695-3949-2 2 A. Kablan (2009). Adaptive Neuro sistemi fuzzy per High Trading Frequenza e Previsione, atti della Terza Conferenza Internazionale sulla Advanced Engineering informatica e applicazioni in Scienze. IEEEXplore, Vol 1, pp 105 - 110. ISBN: 978-0-7695-3829-7 3 A. Kablan, WL Ng, (2010), Strategia di trading ad alta frequenza, utilizzando la trasformata di Hilbert, 6 ° Conferenza Internazionale sulla Networked Computing e Advanced Gestione dell'informazione. Vol 1, pp 466 - 471. ISBN: 978-89-88678-26-8 4 A. Kablan, WL Ng, (2010), ad alta frequenza trading usando l'analisi Momentum Fuzzy, Atti del IAENG 2010 Conferenza Internazionale di Ingegneria finanziaria ( ICFE), Londra. Vol 1, pp 352- 357. ISBN: 978-988-17012-9-9 5 A. Kablan, WL Ng, (2011), ad alta frequenza Order Strategie Posizionamento con Fuzzy Logic e inferenza Fuzzy, IAENG International Journal of Computer Science , numero speciale. 6 A. Kablan, W. L. Ng, (2011), Intraday ad alta frequenza Forex Trading con Adaptive Neuro-Fuzzy Inference Systems, International Journal of Mercati finanziari e derivati. 7 A. Kablan. Neuro sistemi di inferenza Fuzzy adattativo per alta frequenza Financial Trading e previsione. Atti della Terza Conferenza Internazionale sulla Advanced Engineering Computing e applicazioni in Scienze. 2009. 8 Banik, S et. al. (2007), Modellazione comportamento caotico di Dhaka Indice Borsa valori utilizzando il modello neuro-fuzzy, 10 ° Conferenza Internazionale sulla Computer e la tecnologia dell'informazione 9 C. Tseng, Y. Lin. Finanziaria Computational Intelligence. Society for Computational Economics. Informatica in Economia e delle Finanze n. 42. 2005. 10 Chang, S. S. L (1977). Applicazione della teoria degli insiemi fuzzy per l'economia. Kybernetes 6, pp 203-207 11 Dacarogna, M. et al 2001, Introduzione alla finanza ad alta frequenza, Academic Press 12 Dormale, AV (1997): Il potere del denaro, Macmillan Press, London 13 E. Boehmer (2005) dimensioni della qualità di esecuzione: prova recente per i mercati azionari degli Stati Uniti. Journal of Financial Economics 78, 553-582, 2005. 14 E. F. Fama. (1970) mercati dei capitali efficienti: una revisione della teoria e lavoro empirico. Journal of Finance, pagine 383-417 15 maggio Grabbe, J. O. (1996): i mercati finanziari internazionali, Englewood Hills, Prentice Hall Inc. 16 J. C. Bezdek, R. Krisnapuram, N. R. Pal. (1999). modelli Fuzzy e algoritmi per il riconoscimento di forme e di elaborazione delle immagini. Springer. 17 JM. Griffin, F. Nardari, R. Stulz. Borsa di negoziazione e le condizioni di mercato. NBER, Working Paper 10719, 1-48. 2004. 18 Kablan, A, WL Ng, (2011 High Frequency Trading utilizzando Analysis Fuzzy Momentum, Springer Ingegneria Lettere, Londra. 19 Li, Y. Musilek, P e Wyard-Scott, L. La logica fuzzy in agent-based game design. Annual Meeting of Information Processing Fuzzy 2004, vol. 2, pp734-739, 2004. 20 Lootsma, FA (1997). La logica fuzzy per la pianificazione e il processo decisionale. Springer. 21 M. Fedrizzi, W. Ostasiewicz (1993). Verso modellazione sfocata in economia insiemi e sistemi fuzzy, vol 54, Issue 3, pp 259-268, 22 Ormerod, P. (2000) l'economia della farfalla:.... Una nuova teoria generale del comportamento sociale ed economico Pantheon, new York 23 Q . song, BS Chissom iscrizioni di previsione con sfocata di serie temporali Parte II insiemi fuzzy e Sistemi 62, pp 1-8, 1994 24 Roger Jang, JS ANFIS:... sistema fuzzy network-based Adaptive, IEEE Transactions on Systems, Man e cibernetica, 23 (3) (1993) 665-685. 25 S. Chabaa e A. Zeroual. Predire Packet trasmissione di dati su IP Networks Utilizzando Adaptive Neuro-Fuzzy Inference Systems. Journal of Computer Science Vol. 5 (2), pp 123-130, 2009. 26 Schulmeister, S 2009, un generale tassa sulle transazioni finanziarie: un taglio corto dei professionisti, i cons e una proposta-, documento di lavoro WIFO No 344. 27 T. Hellstrm e K. Holmstrom. Predire il mercato azionario. Technical Report Ima-TOM-1997-1907, Centro di Scienze Matematiche Modeling, Dipartimento di Matematica e Physis, Malardalen Università, Västerås, Svezia, agosto 1998. 28 T. Takagi e M. Sugeno. individuazione di sistemi Fuzzy e la sua applicazione alla modellazione e controllo, IEEE Transactions on Systems, Man and Cybernetics, vol. 15, pp 116-132, 1985. 29 Takagi T. e Sugeno, M. Fuzzy identificazione di sistemi e la sua applicazione alla modellazione e controllo, IEEE Transactions on Systems, Man and Cybernetics, 15 (1985) 116-132. 30 Wilson, R. e Sharda, R. fallimento previsione utilizzando le reti neurali, Decision Support Systems, 11 (1994) 545-557. 31 Yeh, S. Landsman, W. R. Miller, B. L. Peasnell, K. V. (2011). Fare agli investitori di comprendere surplus veramente sporco. La revisione contabile, 86 (1), 237-258. 32 Yoon, Y. Guimaraes, T. e Swales, G. integrazione delle reti neurali con sistemi esperti basati su regole, Decision Support Systems, 11 (1994) 497-507. 33 Zadeh, L. insiemi fuzzy. Informazione e controllo, vol. 8, pp 338-353, 1965. 34 Zadeh, L. A. insiemi fuzzy, controllo Informazioni, 8 (1965) 338-353.Slideshare utilizza i cookie per migliorare la funzionalità e le prestazioni, e per fornire voi con la pubblicità in questione. Se si continua la navigazione nel sito, l'utente accetta l'utilizzo dei cookie su questo sito. Vedi le Condizioni d'uso e sulla privacy. Slideshare utilizza i cookie per migliorare la funzionalità e le prestazioni, e per fornire voi con la pubblicità in questione. Se si continua la navigazione nel sito, l'utente accetta l'utilizzo dei cookie su questo sito. Vedi le Condizioni d'uso per i dettagli sulla privacy e. Vedi tuoi argomenti preferiti in app SlideShare Scarica l'applicazione SlideShare di Offerta ricordare anche offline Continuare a sito mobile Carica Accesso Registrazione Doppio tap per diminuire Adaptive-neuro-fuzzy-Inference-System-per-finanziaria-Trading-using - intraday-Stagionalità-osservazione-Model Condividi questo SlideShare LinkedIn Corporation copiare 2017
No comments:
Post a Comment