Sistemas de negociação de redes elétricas genéticas

Sistemas de comércio de redes elétricas genéticas
Combinamos as vantagens dos algoritmos evolutivos e do modelo estatístico.
O sistema gerou estratégias comerciais eficazes para diferentes atitudes de risco.
Propomos um método para prever os preços das ações em dois ambientes opostos.
O modelo com base no portfólio máximo Sharpe Ratio realiza o melhor no mercado Bull.
O modelo com base no portfólio de risco mínimo global desempenha o melhor no mercado urso.
Este artigo descreve um sistema de negociação de estoque híbrido com base na programação de rede genética (PNB) e no modelo de valor condicional condicional (GNP-CVaR). O método proposto, que combina as vantagens dos algoritmos evolutivos e do modelo estatístico, forneceu ferramentas úteis para a construção de carteiras e gerou estratégias efetivas de negociação de ações para investidores com diferentes atitudes de risco. Os resultados da simulação em cinco índices de ações mostram que o modelo baseado no GNP e o portfólio máximo de Sharpe Ratio apresenta o melhor no mercado Bull e que, com base no PNB e no portfólio de risco mínimo global, desempenha o melhor no mercado urso. As carteiras construídas pelo modelo de variância média de Markowitz executam o mesmo modelo de média CVaR. É esclarecido que o sistema proposto melhora significativamente a função e a eficiência do PNB original, o que pode ajudar os investidores a tomar decisões lucrativas.
Escolha uma opção para localizar / acessar este artigo:
Verifique se você tem acesso através de suas credenciais de login ou sua instituição.

Blockchain no Grid Edge.
A tecnologia por trás do bitcoin poderia desbloquear todo o potencial dos recursos energéticos distribuídos da Austrália. A Blockchain já está criando novos mercados de energia, dando aos clientes a capacidade de comprar e vender energia uns dos outros.
O que é blockchain?
Blockchain é o conceito por trás da moeda digital bitcoin. Como um código genético virtual - é um conjunto de dados digital, público, ponto a ponto e descentralizado, que registra cada transação entre dois "nós" conectados em um livro de contas. Cada transação é adicionada ao conjunto de dados como um novo bloco, o que resulta em um registro completo de todas as transações feitas entre duas partes. Nenhuma pessoa ou empresa possui ou controla esse conjunto de dados.
Embora o blockchain possa ser configurado como uma rede privada com acesso autorizado (por exemplo, por bancos), é geralmente uma infraestrutura pública, aberta e global sobre a qual outras tecnologias e aplicativos podem ser construídos. Permite que as pessoas ignorem intermediários tradicionais em suas relações entre si. [1]
Em 2018, o "Blockchain" foi listado no Top 10 Emerging Technologies 2018 do Fórum Econômico Mundial, com o WEF dizendo que "com o investimento de empreendimento relacionado superior a US $ 1 bilhão em 2018, o impacto econômico e social do potencial do blockchain altera fundamentalmente os mercados e os governos só estão emergindo ".
O valor dos ativos agora administrados via blockchain em todo o mundo é de US $ 1,6 bilhão, com US $ 1,4 bilhão investido em startups relacionados a cadeias de blocos nos primeiros nove meses de 2018. [2] Existem aproximadamente 40 startups operando globalmente no espaço de blocos de energia, trabalhando com a tecnologia subjacente de bitcoin e particularmente na plataforma Ethereum. [3]
Blockchain e o setor de energia.
O valor da cadeia de blocos em um setor de energia de rápida transformação é reconhecido em todo o mundo e está sendo demonstrado hoje.
No curto prazo, as principais oportunidades são centradas em torno do relacionamento entre recursos energéticos distribuídos e negociação entre pares. No entanto, o Rocky Mountain Institute sugere que esta é apenas a ponta do iceberg e ainda não está claro exatamente onde está o valor da tecnologia. O Indigo Advisory identificou o uso potencial em todos os contratos de pagamento de fatcoz, negociação P2P, cobrança e compartilhamento de EV, criptografia renovável, negociação e liquidação por atacado e criação de consórcios e laboratórios de blocos de energia. [4] A Agência Alemã de Energia identificou mais de 200 aplicações da tecnologia blockchain [5].
Isso tem o potencial de entregar economias aos clientes, dando-lhes mais opções e controle sobre seus recursos energéticos distribuídos. Uma plataforma usando blockchain poderia decidir se era mais economicamente benéfico para o cliente usar ou armazenar sua energia solar ou vendê-la para outro cliente, um agregador ou um provedor de serviços de rede de distribuição para ajudar a atender a demanda de pico.
Blockchain Ground Breakers no Brooklyn.
Blockchain tem sido usado para criar um mercado comunitário de energia em Nova York como parte do projeto líder mundial da Grade TransActive. A LO3 Energy trabalhou com a ConsenSys para desenvolver o projeto de microgrid em um bairro do Brooklyn. As pessoas alimentam o poder gerado por seus painéis solares em uma microgrid local. A plataforma de negociação peer-to-peer da LO3 Energy usa o blockchain para permitir que pessoas desse bairro compram e vendam energia solar diretamente entre si.
A LO3 Energy projetou a plataforma como uma solução para a Reforma da Visão de Energia (REV) de Nova York, liderada pelo novo CEO da Australian Energy Market Operator, Audrey Zibelman.
O julgamento inicial consistiu em cinco casas com painéis solares gerando eletricidade de um lado do Presidente Street, com outras cinco casas no lado oposto do poder de compra da rua quando as casas opostas não precisavam dela. No meio é uma rede de blocos automatizada, gerenciando e registrando transações.
Banco de areia original Microgrid do presidente Street Brooklyn.
As residências deste julgamento foram equipadas com medidores inteligentes para rastrear a eletricidade gerada e usada nas casas. Ligado a esta era a rede de cadeias de blocos, Ethereum, que constrói contratos de auto-execução "inteligentes" entre as partes.
Após o sucesso do julgamento inicial, a grade da Rua Presidente está agora sendo estendida à micro-rede maior que a empresa está construindo na área, onde aproximadamente 130 casas e outros edifícios estão sendo conectados.
Os clientes que fizeram parte deste teste identificaram vantagens potenciais de fazer parte desta micrografia baseada em cadeias de blocos, incluindo:
o valor da eletricidade gerada em um telhado permanece na comunidade local; e, mais resiliência durante e após eventos climáticos extremos, como microgrids podem ser isolados da grade maior durante as tempestades, garantindo que algum poder permaneça disponível.
O pioneiro do projeto TransActive Grid, Lawrence Orsini, da LO3 Energy, abordará o setor de energia da Austrália neste maio no seminário da Welcome to the Grid Edge, da Sydney, na rede Energy Network Australia.
Blockchain na Austrália.
O start-up australiano PowerLedger foi recentemente descrito como um dos cinco "Ubers of Power" por seu potencial para criar uma transformação separada de modelos de negócios tradicionais. A empresa usa a tecnologia blockchain para oferecer um mecanismo de negociação e compensação de mercado transparente, automatizado e auditable para a venda de energia renovável em excesso. A energia é produzida no local em empreendimentos residenciais e comerciais de várias unidades e em empresas e lares conectados à rede de distribuição.
Em um julgamento em uma vila de aposentadoria na cidade de Busselton, na Austrália Ocidental, o sistema Power Ledger usa uma cadeia de blocos para permitir que os moradores troquem eletricidade entre eles a um preço maior do que as tarifas de alimentação disponíveis, mas inferior às tarifas retalhistas residenciais, proporcionando um incentivo Para mais desenvolvedores instalar o PV do telhado em desenvolvimentos com estratos. Este julgamento compreende 20 casas e uma casa club que foram equipadas com mini-computadores Raspberry Pi para rastrear seu uso de energia.
O Power Ledger permite que cada unidade de eletricidade seja rastreada do ponto de geração até o ponto de consumo dentro do edifício que é gerado, ou quando vendido a outros consumidores, usando a rede local de distribuição de eletricidade. O Power Ledger usa um sistema de comércio peer-to-peer para permitir que os proprietários de ativos de energia renovável decidam se, quando e quem eles querem vender sua energia excedente e a que preço.
Futuras oportunidades e desafios.
Embora sejam dias adiantados, as expectativas de blockchain em alguns trimestres são altas. O Rocky Mountain Institute disse,
"... acreditamos que a tecnologia blockchain tem o potencial de desempenhar um papel importante e potencialmente mutável na transição do sistema elétrico mundial para uma rede mais segura, resiliente, econômica e de baixo carbono. [6]
A Blockchain oferece desafios e oportunidades para os operadores históricos do setor elétrico, tanto a nível de varejo como de rede. Embora seja uma startups que seja pioneira no uso de blockchain para o setor de energia, há uma grande oportunidade é para colaborações entre os novos concorrentes do mercado e as empresas tradicionais de energia.
Uma área onde a cadeia de blocos poderia surgir é permitir que os clientes troquem varejistas de eletricidade. British Startup Electron está trabalhando com a Data Communications Company, a nova agência de dados de medidores centralizados do Reino Unido e está desenvolvendo uma plataforma de cadeias de blocos que poderia permitir que clientes britânicos troquem fornecedores de energia de forma confiável dentro de um dia.
Blockchain pode ter um papel como uma espinha dorsal para sistemas de gerenciamento de rede inteligente de utilitários para diagnosticar e auto-seqüência de emergências e problemas de rede. O startup austríaco Grid Singularity está usando a tecnologia blockchain para desenvolver uma plataforma de troca de energia descentralizada que pode hospedar aplicativos que vão desde a validação de negócios de eletricidade até equipamentos de monitoramento de rede.
Grid Singularity e Rocky Mountain Institute formaram a Energy Web Foundation (EWF). EWF é uma fundação sem fins lucrativos com um objetivo de alto nível: libertar o potencial da tecnologia blockchain no setor de energia. Para atingir esse objetivo, a EWF se concentra na definição de casos de uso de cadeias de blocos, na construção de uma plataforma de cadeias de blocos para o setor de energia, na incubação de um ecossistema de partes interessadas e na educação do público. [7]
Blockchain na revolução da energia doméstica da Austrália.
O Roteiro de Transformação da Rede de Eletricidade descobriu que até 2027, dois em cada cinco clientes usarão seus próprios recursos energéticos, com 29 gigawatts de energia solar e 34 gigawatths de baterias. Mais de 35% de toda a eletricidade na Austrália serão gerados pelos clientes até 2050, usando o armazenamento solar e bateria da cobertura.
Soluções, como esquemas de negociação baseados em cadeias de blocos, poderiam fornecer alternativas alternadas de opções de energia elétrica da Austrália em vez de construir soluções tradicionais de pólos e fios. As redes poderiam potencialmente contar com serviços de suporte de rede de milhões de clientes com pagamentos anuais no valor de US $ 1,1 bilhão por ano dentro de 10 anos.
Embora todas as aplicações potenciais para blockchain ainda não sejam reveladas, a promessa de blockchain é que será uma característica da modernização de sistemas legados com um sistema híbrido distribuído. As redes tradicionais e as micro-máquinas serão suportadas por recursos energéticos distribuídos, como a energia solar.
O fundador de Lo3, Lawrence Orsini, será o seminário "Welcome to the Grid Edge" da Energy Networks Australia, Austrália, em 10 de maio de 2017. Este seminário explorará novas plataformas de energia, microgradas e serviços de borda de grade que podem oferecer aos clientes australianos acessíveis, energia segura e limpa em um sistema de energia descentralizado e dinâmico. O programa do seminário está disponível aqui.
Contate-Nos.
+61 (0) 2 6272 1555 info@energynetworks. au Nível 1, 110 Giles Street Kingston ACT 2604.
Manter contato.
Assine nossas atualizações.
Mantenha-se atualizado com os últimos lançamentos de mídia, publicações e anúncios.

Um Modelo Inteligente para Pairs Trading Usando Algoritmos Genéticos.
Pairs trading é uma área de pesquisa importante e desafiadora em finanças computacionais, em que pares de ações são comprados e vendidos em combinações de pares para oportunidades de arbitragem. Os métodos tradicionais que resolvem esse conjunto de problemas dependem principalmente de métodos estatísticos, como a regressão. Em contraste com as abordagens estatísticas, os avanços recentes na inteligência computacional (CI) estão levando a oportunidades promissoras para resolver problemas nas aplicações financeiras de forma mais eficaz. Neste artigo, apresentamos uma nova metodologia para negociação de pares usando algoritmos genéticos (GA). Nossos resultados mostraram que os modelos baseados em GA são capazes de superar significativamente o benchmark e nosso método proposto é capaz de gerar modelos robustos para enfrentar as características dinâmicas na aplicação financeira estudada. Com base nos resultados promissores obtidos, esperamos que este método baseado em GA avance a pesquisa em inteligência computacional para finanças e ofereça uma solução efetiva para negociação de pares para investimento na prática.
1. Introdução.
Nas últimas décadas, devido à ineficácia das abordagens estatísticas tradicionais, como métodos baseados em regressão e análise fatorial para resolver problemas financeiros difíceis, as metodologias decorrentes da inteligência computacional, incluindo a teoria difusa, redes neurais artificiais (ANN), máquinas de vetor de suporte (SVM) e algoritmos evolutivos (EA), foram desenvolvidos como alternativas mais efetivas para resolver os problemas no domínio financeiro [1, 2].
Entre as técnicas baseadas em CI estudadas para finanças, os modelos podem ser classificados como duas áreas principais de aplicações: (1) seleção de estoque, gerenciamento de portfólio e otimização [3 & # x02018; 6] and (2) previsão de séries temporais financeiras [ 7, 8]. Para a primeira categoria, trabalhos de pesquisa anteriores incluem a análise de decisão de atributo múltiplo difuso para construção de portfólio [9]. Zargham e Sayeh [10] empregaram um sistema baseado em regras difusas para avaliar um conjunto de ações para a mesma tarefa. Chapados e Bengio [11] treinaram redes neurais para estimar e prever o comportamento dos ativos para facilitar a tomada de decisões na alocação de ativos.
Em aplicações de EA ao longo desta linha de pesquisa, Becker et al. [12] empregaram programação genética (GP) para desenvolver modelos de classificação de estoque para o mercado americano. Lai et al. [13] usou uma GA de dois estágios para selecionar ações da bolsa de valores de Shanghai para o período de anos de 2001 a 2004. No trabalho de Lai et al., ROCE, EPS, PE e rácios de liquidez são usados ​​para classificar os estoques , e eles usaram o GA para calcular a porcentagem ideal de capital atribuído a cada um dos ativos. Lai et al. então concluiu que seu método de otimização baseado em GA é mais efetivo para aplicações financeiras do que redes neuronais difusas ou artificiais. Recentemente, Huang [5] desenvolveu um modelo baseado em aprendizado de máquina híbrida para identificar conjuntos promissores de características e parâmetros ideais do modelo; O modelo de Huang demonstrou ser mais eficaz do que o benchmark e alguns métodos estatísticos tradicionais para a seleção de ações. Para melhorar o desempenho dos modelos baseados em GA de um único objetivo, mais recentemente, Chen et al. [14] propuseram um método multiobjetivo baseado em GA para os objetivos de aumentar o retorno do investimento e reduzir o risco simultaneamente. Nessa abordagem, os autores usaram a classificação não classificada para buscar soluções não-definidas e mostraram que o método multiobjetivo superou a versão de um único objetivo proposta por Huang [5].
Outro estudo popular de inteligência computacional tem sido particularmente relativo à previsão de séries temporais financeiras. Uma certa quantidade de pesquisa emprega técnicas de aprendizado de rede, incluindo feed-forward, função de base radial ou NN recorrente [7] e SVM [8]. Outros métodos inteligentes, como os modelos de regressão geneticamente evoluídos [15] e os sistemas indutivos de inferência difusa [16], também estavam disponíveis na literatura.
Pairs trading [17] é uma importante área de pesquisa de finanças computacionais que normalmente depende de dados de séries temporais de preço de estoque para investimento, nos quais as ações são compradas e vendidas em pares para oportunidades de arbitragem. É uma estratégia especulativa bem conhecida nos mercados financeiros desenvolvidos na década de 1980 e tem sido empregada como uma importante ferramenta de investimento de longo / curto prazo por hedge funds e investidores institucionais [18]. Embora tenha havido uma quantidade significativa de estudos baseados em CI em aplicações financeiras, a pesquisa baseada em CI para negociação de pares é escassa e falta uma análise séria. Até à data, muitos trabalhos existentes ao longo desta linha de pesquisa dependem de métodos estatísticos tradicionais, como a abordagem de cointegração [19], os filtros de Kalman [20, 21] e a análise de componentes principais [18]. Na área CI, Thomaidis et al. [17] empregaram um método de redes neurais para as empresas emparelhadas da Infosys e da Wipro na Índia e realizaram retorno de investimento razoável usando o par de ações. Saks e Maringer [22] usaram programação genética para vários pares de ações em Eurostoxx 50 ações e também encontraram boas estratégias de par-trading.
Embora existam esses anteriores estudos baseados em CI para troca de pares, eles faltaram análise séria, como o método de validação temporal usado em [5, 23] para uma avaliação mais aprofundada da robustez dos sistemas de negociação. Além disso, nesses estudos anteriores, os modelos comerciais foram construídos usando apenas duas ações como um par de negociação; aqui, propomos uma abordagem generalizada que use mais de duas ações como um grupo de negociação para arbitragem, a fim de melhorar o desempenho dos modelos. Neste estudo, também empregamos o GA para os problemas de otimização em nossos modelos de arbitragem propostos. Em um estudo passado [23], Huang et al. comparou a regressão linear tradicional e o GA para a tarefa de seleção de estoque e mostrou que o modelo baseado em GA é capaz de superar o modelo de regressão linear. Motivados por este trabalho de pesquisa, pretendemos empregar o GA para otimizar nosso sistema inteligente para negociação de pares, e os resultados experimentais mostrarão que nossa metodologia proposta baseada em GA é promissora ao superar o benchmark. Além disso, em contraste com os métodos tradicionais de negociação de pares que visam equiparar pares de ações com características semelhantes, também mostramos que nosso método é capaz de construir modelos de negociação de trabalho para estoques com diferentes características. Neste estudo, também investigamos a robustez do nosso método proposto e os resultados mostram que nosso método é realmente efetivo na geração de modelos robustos para o ambiente dinâmico do problema de troca de pares.
Este artigo está organizado em quatro seções. A seção 2 descreve o método proposto em nosso estudo. Na Seção 3, descrevemos os dados de pesquisa utilizados neste estudo e apresentamos os resultados e discussões experimentais. A seção 4 conclui este artigo.
2. Materiais e métodos.
Nesta seção, fornecemos os antecedentes e descrições relevantes para o projeto de nossos sistemas de negociação de pares usando o GA para otimização do modelo.
2.1. Pairs Trading.
Pairs trading é amplamente assumido como o & # x0201c; ancestor & # x0201d; de arbitragem estatística, que é uma estratégia de negociação para lucrar com as discrepâncias de preços em um grupo de ações [17]. A tomada de decisões tradicionais para o investimento geralmente depende dos fundamentos das empresas para avaliar seu valor e preço de suas ações, em conformidade. Como os valores reais dos estoques raramente são conhecidos, as técnicas de negociação de pares foram desenvolvidas para resolver isso investindo pares de ações com características semelhantes (por exemplo, ações da mesma indústria). Este mispricing mútuo entre dois estoques é teoricamente formulado pela noção de propagação, que é usado para identificar as posições relativas quando um mercado ineficiente resulta no mispricing de ações [18, 21]. Como resultado, o modelo de negociação geralmente é neutro em termos de mercado, na medida em que não está correlacionado com o mercado e pode produzir uma estratégia de investimento de baixa volatilidade.
Uma forma típica de troca de ações de ações opera vendendo o estoque com um preço relativamente alto e comprando o outro com um preço relativamente baixo no início do período de negociação, esperando que o maior diminuirá, enquanto o mais baixo aumentará no futuro. A diferença de preço dos dois estoques, também conhecida como propagação, atua como um sinal para as posições abertas e próximas dos pares de ações. Durante o período de negociação, a posição é aberta quando o spread se alarga por um certo limiar e, posteriormente, as posições são fechadas quando a propagação das ações reverte. O objetivo desta estratégia longa e curta é aproveitar o movimento da propagação que deverá reverter para o seu significado a longo prazo.
Considere o capital inicial X 0, com uma taxa de juros de r por ano e uma frequência de composição n em um ano; O capital X após um ano pode ser expresso como.
Se a frequência de composição n for arbitrariamente grande, nós temos.
No caso do retorno continuamente composto, o processo de crescimento do capital é definido como.
Portanto, a taxa de composição contínua r é calculada tomando o logaritmo natural da seguinte maneira:
onde ln & # x02061; (& # x000b7;) é a função de log natural.
Agora considere as duas séries temporais de preços, P 1 (t) e P 2 (t), de dois estoques S 1 e S 2 com características semelhantes, o processo de um modelo de negociação de pares pode ser descrito da seguinte forma [18]:
onde & # x003b3; (t) é um processo estacionário, de reversão média; a drift & # x003b1; é pequeno em comparação com as flutuações de & # x003b3; (t) e pode ser negligenciado em muitas aplicações.
O raciocínio por trás do processo de reversão média é que existe um equilíbrio de longo prazo (média) para a disseminação. O investidor pode apostar na reversão do spread atual para o seu meio histórico, vendendo e comprando uma quantidade apropriada do par de ações. Como (5) mostra, espera-se que os retornos dos estoques S 1 e S 2 sejam acompanhados após o controle de & # x02009; & # x02009; & # x003b2; . Este modelo sugere uma estratégia de investimento na qual um vai longo 1 dólar de estoque S 1 e curto & # x003b2; dólares de ações S 2 if & # x003b3; (t) é pequeno. Por outro lado, se & # x003b3; (t) é grande, é preciso uma estratégia oposta que sai curta S 1 e longa S 2. Como resultado, o retorno do portfólio longo-curto pode oscilar em torno de um equilíbrio estatístico.
Na prática do mundo real, o retorno do portfólio longo e curto acima por um período de tempo pode ser calculado da seguinte forma:
O método de negociação de pares pode ser generalizado para um grupo de ações nas quais o erro de avaliação pode ser identificado através de uma combinação adequada de ativos cuja série temporal é reversa média. Considere um conjunto de ativos, S 1, & # x02026 ;, S m, e as séries temporais correspondentes de preços das ações, P 1 (t), & # x02026 ;, P m (t); um mispricing estatístico pode ser considerado como uma combinação linear B = (& # x003b2; 1, & # x003b2; 2, & # x02026 ;, & # x003b2; m) tal que.
onde & # x003b3; (t) é um processo de reversão média e o vetor B representa as proporções do capital atribuído a cada ativo no portfólio. A reversão média na equação acima refere-se ao pressuposto de que os preços altos e baixos do ativo sintético P são temporários e que seu preço tende a se mover em direção ao seu preço médio ao longo do tempo.
2.2. Sistemas de negociação.
2.2.1. Modelos de temporização do mercado.
Neste trabalho, a média de longo prazo do preço de um ativo no processo de reversão média pode ser modelada pela média móvel comemorada [24], que é o preço médio de um ativo em um período especificado. Seja P (t) o preço de uma ação no tempo t. A média móvel no tempo t, a média dos preços correspondentes aos últimos períodos n, é definida como.
Neste estudo, empregamos as Bandas Bollinger [24] para determinar se a propagação de um par de ações se afasta do seu valor médio dinâmico. Normalmente, as Bandas Bollinger prescrevem duas bandas de volatilidade colocadas acima e abaixo de uma média móvel, na qual a volatilidade pode ser definida como um múltiplo do desvio padrão dos preços no passado. Formalmente, as Bandas Bollinger podem ser definidas da seguinte forma:
onde & # x003c3; n (t) é o desvio padrão dos preços, no tempo t, nos últimos n períodos de tempo; k & # x02208; R é um parâmetro usado para controlar a largura das bandas superior e inferior à média móvel.
Um componente importante de um sistema de negociação bem-sucedido é construir modelos para o timing do mercado que prescrevem pontos de entrada e saída significativos no mercado. Neste estudo, usaremos as médias móveis e as Bandas Bollinger para desenvolver um sistema de negociação, que é descrito na próxima subseção.
2.2.2. Estratégia de Negociação e Avaliação de Desempenho.
Calculamos o spread do bem sintético gerado pelas ações m.
Neste trabalho, designamos a estratégia de negociação para comprar (vender) o spread logo após ter x desvios padrão abaixo (acima) seu valor médio e a posição é fechada logo após o spread se aproximar de y desvios padrão para a média , onde x, y & # x02208; R e x & # x0003e; y & # x0003e; 0.
Aqui avaliamos o desempenho de um sistema de negociação em termos de seu retorno composto, que deve ser determinado pelos parâmetros relevantes dos modelos de negociação empregados. Primeiro, definimos o retorno de um sistema de negociação para o comércio I como R l (& # x003b8;) & # x02208; R, onde & # x003b8; indica o conjunto dos parâmetros do modelo. Então, a métrica de desempenho que usamos aqui é através do retorno cumulativo (composto), R c, onde R c é definido pelo produto dos retornos sobre z tradições consecutivas como.
Portanto, no processo de crescimento do capital, o capital X z no final dos negócios z é.
onde X 0 representa o capital inicial.
2.3. Otimização de sistemas de negociação.
Dado o calendário do mercado e os modelos de negociação de pares, o desempenho de um sistema de negociação deve ser aprimorado por valores adequados dos parâmetros do modelo correspondente. Para os modelos de timing de mercado, os parâmetros incluem o período n para a média móvel e os parâmetros x e y para as Bandas Bollinger que controlam os múltiplos dos desvios-padrão da média móvel para pontos de entrada e saída. Para o modelo de negociação de pares, os parâmetros consistem no conjunto dos termos de ponderação (& # x003b2; i 's) no recurso sintático de (10). Neste estudo, propomos o uso de algoritmos genéticos (GA) para a busca de parâmetros ótimos do sistema comercial. Vamos descrever os conceitos básicos da GA, bem como o nosso esquema de otimização proposto no seguinte.
Os algoritmos genéticos [25] foram utilizados como modelos de simulação computacional de sistemas evolutivos naturais e como algoritmos adaptativos para resolver problemas complexos de otimização no mundo real. O núcleo desta classe de algoritmos reside na produção de novas estruturas genéticas, ao longo da evolução, que fornecem inovações para soluções para o problema. Normalmente, o GA opera em uma população em evolução de agentes artificiais cuja composição pode ser tão simples como uma string binária que codifica uma solução para o problema em questão e um fenótipo que representa a própria solução. Em cada iteração, uma nova geração é criada aplicando cruzamento e mutação aos candidatos selecionados como pais. A evolução ocorre por variação estocástica iterada de genótipos e seleção dos fenótipos em forma de um ambiente com base em quão bem as soluções individuais solucionam um problema.
No nosso projeto de codificação proposto, a composição de um cromossomo é concebida para consistir em quatro porções que codificam o parâmetro de tempo n para a média móvel, os múltiplos x e y de desvios padrão para as Bandas de Bollinger e o conjunto dos coeficientes de ponderação ( & # x003b2; i 's) para o modelo de negociação de pares de (10). Aqui, usamos o esquema de codificação binária para representar um cromossomo no GA. Na Figura 1, loci b n 1 a b n n n representa a codificação para o período n de média móvel. Loci b x 1 a b x n x e b y 1 a b y n y representam a codificação de x e y para as Bandas Bollinger, respectivamente. Finalmente, loci b & # x003b2; i 1 a b & # x003b2; i n & # x003b2; Eu represento a codificação do coeficiente de ponderação & # x003b2; i, i = 1, & # x02026 ;, m.
Em nosso esquema de codificação, o cromossomo que representa os genótipos de parâmetros é transformado no fenótipo por (13) abaixo para uma maior computação física. A precisão que representa cada parâmetro depende do número de bits usados ​​para codificá-lo no cromossomo, que é determinado da seguinte forma:
onde y é o fenótipo correspondente para o parâmetro particular; min & # x02061; y e max & # x02061; y são os valores mínimo e máximo do parâmetro; d é o valor decimal correspondente (d sendo truncado para inteiros se o parâmetro é de tipo inteiro) e l é o comprimento do bloco usado para codificar o parâmetro no cromossomo.
Com este esquema, definimos a função de fitness de um cromossomo como o retorno anualizado do sistema de negociação ao longo de h anos de investimento:
onde R c é o retorno cumulativo total calculado por (11).
Nosso sistema global de arbitragem baseado em GA é um processo de vários estágios, incluindo a otimização simultânea dos coeficientes de ponderação dos estoques, o período para a média móvel e a largura das Bandas Bollinger. A entrada para o sistema é o conjunto de dados da série temporal do preço das ações. Para qualquer combinação de parâmetros modelo da média móvel, Bollinger Bands e os coeficientes de ponderação das ações, empregamos o sistema de arbitragem de negociação de pares para investimento. Neste trabalho, o momento da negociação é designado como compra (venda) do spread logo após chegar a uma certa distância (medida por desvios padrão para a média) abaixo (acima) a média e a posição é então fechada logo após o spread aproxima-se da média. Os estoques a serem longos ou curtos são determinados pelos termos de ponderação (& # x003b2; i) no recurso sintático de (10). Em seguida, calculamos os retornos correspondentes para a avaliação de desempenho do sistema. Neste estudo, o GA é usado como a ferramenta de otimização para a otimização simultânea desses parâmetros do modelo. O resultado final é um conjunto de parâmetros de modelos (otimizados pelo GA) que prescreve os modelos de negociação e sincronização de pares. O fluxograma deste sistema comercial baseado em GA está resumido na Figura 2.
3 Resultados e discussão.
Nesta seção, examinamos o desempenho do nosso método proposto para sistemas de negociação de par. Usamos dois conjuntos de ações listadas na Bolsa de Valores de Taiwan para ilustração: (1) o conjunto de 10 ações com características similares da indústria de semicondutores, que é o setor industrial mais importante em Taiwan nas últimas duas décadas, e (2) o conjunto das 10 ações com maior capitalização de mercado de vários setores, que denotam características industriais distintas em Taiwan.
3.1. 10 estoques da indústria de semicondutores.
Os retornos diários dos 10 estoques de semicondutores em Taiwan dos anos de 2003 a 2018 foram utilizados para examinar o desempenho do sistema de negociação GA-otimizado. A Tabela 1 mostra os 10 estoques usados ​​para esta subseção. A Figura 3 exibe uma ilustração da curva melhor-tão longe para o retorno acumulado (isto é, o retorno cumulativo total) alcançado pelo GA em 50 gerações. (Para estudar a qualidade das soluções ao longo do tempo, uma métrica de desempenho tradicional para o GA é a curva # # x0201c; best-to-far; # x0201d; que traça a forma física do melhor indivíduo que foi visto até agora por geração n, isto é, um ponto no espaço de busca que otimiza a função objetivo até agora. Além disso, neste estudo, os experimentos da GA empregam uma seleção de torneio binário [26], um ponto de cruzamento e taxas de mutação de 0,7 e 0,005, resp. We also use 10 bits to encode each variable in the chromosome and use 50 individuals for the size of the population in each generation.) This figure shows how the GA searches for the solutions over the course of evolution to gradually improve the performance of the trading system.
Figure 4 displays an illustration of the accumulated return of the benchmark and that of our GA-based model. (In this study, the benchmark is defined as the traditional buy-and-hold method where we allocate one's capital in equal proportion to each stock and the accumulated return is calculated as the product of the average daily returns of all the 10 stocks over the 10 years; i. e., an investor invests all the capital in the stocks initially and sell all of them only at the end of the course of investment.) This figure shows that the GA-based model gradually outperforms the benchmark and the performance discrepancy becomes quite significant at the end of year 2018. As opposed to the buy-and-hold method that allocates one's capital in equal proportions to each stock, the GA proactively searches for the optimal proportions for long or short positions for each asset in order to construct the spread by (10). In addition, the GA also searches for the optimal timing for buying and shorting the stocks dynamically using the Bollinger Bands. In our study here, the weighting coefficients for the proportions of capital allocated to stocks, the period for the moving average, and the width of the Bollinger Bands are optimized simultaneously. As a result, in our proposed methodology, a trading system optimized by the GA is a composite of optimal arbitrage and market timing models. Thus, one may expect the GA to be advantageous to the construction of the arbitrage systems and Figure 4 indeed shows that the GA-based model outperforms the benchmark in the long run. Therefore, these results shed some light on how the optimization by the GA may be advantageous to the pairs-trading model.
In order to further examine the validity of our proposed method, statistical validation on the models is conducted in this study. In reality, the learned model using the training data has to be tested by unseen data. Here, as shown in Figure 5 , we use the stock data of the first several quarters to train the model, and the remaining data is used for testing. This setup is to provide a set of temporal validations to examine the effectiveness of the models in the dynamic environment of financial problems, which is different from the regular cross-validation procedure where the process of data being split into two independent sets is randomly repeated several times without taking into account the data's temporal order. However, in the financial study here, temporal order is critical since one would like to use all available data so far to train the model and to apply the models in the future for profits.
In the training phase of each TV, we conduct 50 runs for the GA and the best model learned from each run is examined in the testing phase. In both of the training and testing phases, the cumulative total return (accumulated return) of a model over the quarters is calculated and the corresponding annualized return is computed by (14). The annualized returns of the best 50 models in each TV are then averaged and displayed for the training and testing phases in Table 2 . In this table, we also provide the annualized benchmark return for further comparison with the GA-based models, where the cumulative total return for the benchmark is calculated from the product of the average quarterly returns of the 10 semiconductor stocks over the period of time in training or testing, and the corresponding annualized return is again computed by (14).
In Table 2 , an inspection on the means of annualized model returns shows that in all the 39 TVs of the training case the GA-based method outperforms the benchmark. For the testing phase, in 30 out of 39 cases the GA-based method outperforms the benchmark. Figure 6 further displays a visual gist on this performance discrepancy of the two methods in the testing phase. As can be seen, in most of the TVs, the annualized return of the GA-based model is larger than that of the benchmark. These results thus demonstrate our GA-based method is promising for solving the pairs-trading problem.
3.2. 10 Stocks with the Largest Market Capitalization.
Next we use the 10 stocks of the largest market capitalization listed in the Taiwan Stock Exchange to further examine our proposed method. The daily returns of stocks from years 2003 to 2018 were again used for the optimization task by the GA. Table 3 shows the 10 stocks with the largest market cap used in this study.
Figure 7 displays an illustration of the accumulated return of the benchmark (which is again defined as the product of the average daily returns of the 10 largest market cap stocks over the 10 years) and that of our GA-based model. As can be seen, the GA-based model gradually outperforms the benchmark over the course of investment during years 2003 to 2018, and the performance discrepancy becomes significant at the end of year 2018. This figure thus illustrates how the GA-based model may outperform the benchmark in the long run.
For the temporal validation, by the same procedure used in the previous subsection, Table 4 shows the annualized benchmark return and the average of the annualized model returns for the training and testing cases. As can be seen from the means of the annualized model returns in the training case, the GA-based method outperforms the benchmark in all the 39 TVs. For the testing phase, in 29 out of 39 cases the GA-based method outperforms the benchmark, as well. Figure 8 then displays the results in Table 4 for each TV in the testing phase. An inspection of Figure 8 thus shows that, in 29 out of 39 TVs, the GA-based models outperform the benchmark in terms of annualized returns.
3.3. Model Robustness.
Finally, we examine the robustness of the models generated by our method using the measure of precision studied in [5], which is defined as.
In this definition, TP and FP denote the number of true positives and false positives, respectively. In this study, a true positive occurs when a model outperforms the benchmark in training, and it later turns out to outperform the benchmark in testing, as well; otherwise, the model generates a false positive. This statistic is an important metric that indicates whether our proposed method can generate robust models when the problem is in a dynamic environment, such as the financial problem studied here.
Typically, if a method generates a model that outperforms the benchmark in the training phase, one would like the model to continue to outperform the benchmark in the testing phase. Therefore, if our proposed method is able to generate many true positives that leads to high precision, it is an indication that our method is effective in generating robust models. Table 5 displays the results of precision for the 10 semiconductor and largest market cap stocks. As can be seen, the results show that the precision of our proposed method is more than 0.7 in both cases, thereby indicating that our proposed method is indeed effective.
4. Conclusões.
In this paper, we presented a GA-based methodology for the application of pairs trading in computational finance. In order to examine the validity of the proposed methodology, we conducted a statistical validation on the learned models to account for the temporal order and dynamic characteristics of the stock data, which is critical for the real-world investment as practically one expects the models constructed to gain profits in the future. Through the optimization of parameters of the trading models for a group of stocks, the experimental results showed that our GA-based method is able to significantly outperform the benchmark and can generate robust models for pairs trading. We thus expect this GA-based method to advance the research in computational intelligence for financial applications and provide a promising solution to pairs trading.
Agradecimentos.
This work is fully supported by the National Science Council, Taiwan, under Grant no. MOST 103-2221-E-390-019. The authors would also like to thank Professor Chih-Hsiang Chang for his generosity in providing the financial data.
Conflict of Interests.
The authors declare that there is no conflict of interests regarding the publication of this paper.

Trading software for building.
stock, futures, index and forex trading systems.
using technical analysis indicators and neural networks.
NeuroShell Trader is software for building trading systems. It is not a trading system in its own right, it is a toolkit of both traditional and Artificial Intelligence (AI) techniques you can combine to form computerized trading systems.
NeuroShell Trader will build trading systems for stocks, FOREX, futures, commodities, options, indexes and more. You can build trading systems for exchanges all over the world, like the NYSE, AMEX, FTSE, DAX, ASX, TSX, SFE, and many more.
The trading systems can consist of standard technical analysis indicators and rules like traders have used for years, artificial intelligence techniques like neural networks, or hybrids of both. The trading systems you build will automatically back-test, and continue to give signals into the future as new data arrives.
Trading models generally are built using technical analysis indicators based upon the raw data and other instrument data. Let's say you believe that the following indicators will be useful in models that will produce stock market trading signals:
The spread between each target stock and INTC The relative strength between each target stock and $DJUCR A stochastic %k indicator applied to each target stock.
Therefore, the next thing you might do is insert the indicators above into your chart using the Indicator Wizard. The Indicator Wizard contains over 800 standard indicators from which to choose.
Trading and Prediction Systems.
Easy to build rule based trading systems, advanced neural network predictive trading models or hybrid systems that combine both.
Neural Networks.
Find patterns in your data to predict future values or other data streams.
Why use a neural network? If you have a set of favorite indicators but don’t have a set of trading rules to create a profitable trading system, neural networks can build the trading rules for you. Neural networks can help you find patterns in your data. They are an indispensable tool for predicting and forecasting future values.
We do our own neural network research. Our newest neural network type, Turboprop 2, is probably the best neural network on the planet. It is very fast. Most neural networks train in 5-20 seconds. No neural network based on the now very old backprop paradigm can come close to our neural networks. Why is speed important? Because when you are optimizing, you may be training hundreds or even thousands of neural networks, which would literally be impossible with the old backpropagation neural network algorithm.
The Turboprop 2 neural network is very accurate (assuming you have relevant inputs of course), and it gives you a numeric contribution value for each input, so you can intelligently decide amongst inputs. Our genetic algorithm optimizer will also help you decide. Turboprop 2 also has mechanisms to help prevent overfitting. You don't need a "test" set plus a "validation" or "evaluation" set to prevent overfitting with the Turboprop 2 neural network. Turboprop 2 can also train on the basis of increasing profit as well as reducing error.
Turboprop 2 has no parameters whatsoever to tweak to make the neural network run. No need to be a neural network expert; inserting a neural network prediction or forecast is as easy as inserting an indicator.
Algorítmos genéticos.
Faster optimization of predictions, trading systems and technical indicators.
Today's markets are tougher than ever to analyze. NeuroShell Trader gives you an edge with three different genetic algorithm based optimizers to fine tune YOUR trading ideas. You can optimize your trading systems to maximize profit, minimize drawdown, or choose from the more than 30 other objectives.
Speed is essential when you’re evaluating a large number of trading systems. Our Genetic Algorithm, Evolution Strategy and Swarm Optimization techniques are all capable of fine tuning a large number of trading system variables in far less time than traditional brute force optimizers (also included) that try every possible combination. The genetic algorithm based optimizers can find the time periods for indicators and at the same time determine which rules should be used in the trading strategy. The Trader can also search for optimal stop and limit prices for your trading systems.
Charts are the major component of NeuroShell. You may open many charts at one time, either new ones or ones you have previously built and saved. When you create a new chart, you specify their periodicity with which you want to see and process the data, as well as how far back in time you want to load the data. Next you specify the related instruments whose historical data should be loaded into the chart. They are the target instruments for which you wish to create trading signals.
Multiple instruments in the chart show up in their own chart page. For example, let's say you load IBM, DELL, HPQ, and AAPL as your target instruments. (They don't have to be stocks; they can be FOREX pairs, commodities, E-minis, options, etc). Note that you can insert several different models in a chart. Once you insert a model, it automatically applies to all chart pages.
Chart B ased.
Upgrades to the NeuroShell Trader Power User and NeuroShell DayTrader Power User versions are available which allow the software to distribute the optimization processing of complex financial models over your local area network. The result is a significant decrease in the amount of time it takes to create and update trading systems as market conditions change.
Let’s say your local network has three computers attached, a 12 core machine and two quad core machines. That is a total of 20 cores, all of which can be searching for your optimum trading model simultaneously. The faster computers will handle a higher share of the load. You have control over which of the computers on the network you want to participate, and which you do not want to participate.
Escolha entre três diferentes versões de rede do NeuroShell Trader, dependendo da potência e velocidade que você precisa:
Network Distributed Optimization.
Even faster optimization of large complex models with distributed processing across multiple computers.
Once the chart loads up with the requested data, you are ready to define one or more models in the chart. Any model that you build in the chart automatically applies to all instruments in the chart. Your model can be optimized the same for all chart pages, or custom optimized for each chart page. Models can be either Trading Strategies or Predictions. Note that you can insert several models in a chart. Once you insert a model, it automatically applies to all chart pages.
You may or may not have a clue about how the indicators you have chosen work. If you do, you probably have some idea about how they would be used to generate trading signals, rules like "Buy when the relative strength between the stock and the $DJUCR is high, and the spread with INTC is low." In this case you will want your model(s) to be Trading Strategies, even if you are unsure what values should be considered high and low above. The genetic optimizer will find the values for you. If you either have no clue about how the indicators work, or no clue about appropriate rules for them, you will probably want to build a Prediction with a neural net for your model(s), because neural nets find their own rules.
Indicadores de Análise Técnica.
Over 800 indicators.
Trading Strategy Wizard.
Prediction Wizard.
The Trading Strategy Wizard is a fast mechanism for entering trading rules without having to type messy formulas or write in some algorithmic programming-like language.
The Wizard is all point and click. You just list the rules for long entry, long exit, short entry, and short exit (cover). Each of these rules is in fact an indicator you build just like any other indicator - with the Indicator Wizard. You can also enter indicators for stop and limit price levels, including trailing stops.
If you want to optimize your trading strategies, the genetic optimizer will do these things for you:
Find which of the rules you have listed should be used in combination Find out what the parameters of the indicators in your rules should be set to Perform both of the above at the same time (we call this full optimization) Even your stops and limits can be optimized.
When the Trading Strategy is complete, it will show you historical buy and sell signals. As new data is added to the chart, those buy and sell signals will continue to appear with each new bar. You can insert a variety of indicators to plot how your profit is growing.
Predictions are neural nets made with the Prediction Wizard. That's what our standard neural nets do, they make predictions about the future value of a data stream, usually a price or change in price, but any data stream can be predicted. Here is basically all you have to do to make a prediction model:
Choose some inputs - data streams, usually indicators, that you believe are leading indicators of the market Decide what you want to predict, usually change or percent change of the open or close Decide how much historical data will be used to train the neural net Decide how much historical data you want to use to test how well the neural net has learned.
If you want to optimize your prediction, the genetic optimizer will do these things for you:
Find which inputs you listed should be used in combination Find which indicator parameters values should be set to Perform both of the above at the same time Find neural network thresholds for trading.
When the prediction is complete, it will show you historical buy and sell signals. As new data arrives in the future, those buy and sell signals will continue to appear with each new bar. You can insert a variety of indicators to plot how your profit is growing.
Sometimes when you build traditional trading systems, neural network models, or optimized models of any type, it is possible to make a model so good that it does not hold up with future market conditions. This is called overfitting. NeuroShell lets you hold some data outside of the system building process (called out-of-sample data). Therefore, NeuroShell contains facilities that will automatically backtest with out-of-sample data for you, so you can gain confidence that your model will hold up in the future.
Our optimizer also works in a mode we call "paper trading". In this mode, the optimizer keeps the trading system that works better in a period of time after the optimization period, rather than the optimal (peak) model. Paper trading automatically gives you a trading system that is less likely to be overfit, and more likely to work well into the future.
Out-of-Sample Backtesting.
Determine if your trading system holds up in future trading before risking real money.
Trader Power User and Trader Professional allow you to create end of day charts with daily, weekly, and monthly charts.
DayTrader Power User and DayTrader Professional works with both end of day, weekly and monthly charts and intra day charts that have hour, minute, second, volume and range bars.
End of Day and Intra Day Charts.
NeuroShell lets you take almost any condition, not just trading signals, and define an alert to let you know when that condition has just occurred.
Visual and sound notification of important events.
Once you have developed a model that you are happy with, you can specify that trades be sent to your broker’s account for execution, with the fill price being returned to NeuroShell. The trades can be sent automatically, or only after you approve them. As an alternative, NeuroShell will email your trades to email addresses of your choice.
Currently NeuroShell Trader has Interactive Brokers, FXCM and TradeStation integrated and other brokers are available from ZagTrader. Direct connections to more brokers are being developed.
Integrated Trading.
Automatically send trades to your favorite brokerage while you’re out on the golf course.
Your charts can mix and match multiple time frames in data streams, indicators, predictions, and trading strategies as well as other instrument data. The NeuroShell Trader Power User mixes daily, weekly, and monthly timeframes, while the NeuroShell DayTrader Power User can include multiple intraday timeframes as well. For example, the Trader Power User lets you combine daily and weekly bars in the same trading system. The DayTrader Power User version can create a single trading system with minute, hour, and range bars. Think of the possibilities.
Análise de intervalo de tempo múltiplo.
Combine different timeframes of data, indicators, predictions, and trading strategies into one chart or analysis.
You can select from over fifteen different sizing methods. If you don’t know how many shares, contracts, or units to buy with each trade, let the optimizer decide the most profitable method.
Advanced Money Management.
Control the money allocated to each trade.
Fixed Size Fixed Dollar Percent of Account Fixed Leverage Fixed Fractional Kelly formula Optimal f.
Secure f Profit Risk Volatility Risk Fixed Ratio Margin + Drawdown Sizing Fixed Dollar Amount per Unit Fixed Dollar Fixed Dollar Risk.
Pyramiding and scaling options add the ability to either enter or exit trades with more than one order. If you’re uncertain which of the pyramiding or position sizing methods to use, the Trader’s optimizer can assist in your decision process.
Pyramiding and Position Scaling.
Enter or exit trades with multiple orders.
If you want to evaluate your model’s performance on a Trading Strategy that is re-optimized regularly on newer data, and then applied to out-of-sample data, you can use the Walk Forward Optimization feature.
For example, you can backtest reoptimizing a Trading Strategy every week for the past 10 weeks. After each reoptimization, the Trading Strategy is applied to data for the following week. The NeuroShell Trader Power User will perform 11 total optimizations in this case, each shifted by one week. Ten of those optimizations will show the “actual” trading results had you traded the reoptimized model for the week following the optimization period. A otimização final é otimizada até a última data para que você possa avançar para o futuro negociando um modelo que foi otimizado nos dados mais recentes da mesma maneira que as otimizações simuladas anteriores.
This feature can also be applied to intraday bars if you own the NeuroShell DayTrader Power User version.
Otimização de marcha para frente.
Evaluate performance on systems that re-optimized regularly on newer data, and then applied to out-of-sample data.
The Power User versions include a “batch” mode of reoptimizing and backtesting models you’ve created previously.
Simply save the model as a chart template. Save templates for ALL of the models you wish to incorporate in this batch process. To begin the batch process, simply select all of the templates you wish to include in the batch on the first page of the Trading Strategy wizard. You’ll have the option to modify the dates, costs, and optimization parameters that you wish to use during optimization of all of the templates. You DO NOT have to rebuild each model.
After the models are backtested and you have analyzed the results, you can check the templates you wish to see displayed in a chart.
Batch Processing.
Optimize and back test multiple trading strategy templates on multiple instruments in one continuous process.
NeuroShell Trader allows you to distribute optimization processing across multiple computer cores and multiple hyper threads on a single computer.
As an example, if you have an Intel Core i7 processor, which has 4 processing cores each with the ability to process two simultaneous hyper threads, the NeuroShell Trader optimization processing could be spread out to 8 different threads. Theoretically, you could realize up to an 8x speed increase in optimization on a Core i7 computer, however due to the overhead of controlling, setup, and communication with each distributed thread, the speed increase may approach, but will never reach 8x. (You also have options to limit the number of cores/hyperthreads utilized during optimization if you want to use other programs during optimization without any processor sharing.)
For even faster optimization, see Network Distributed Optimization described below.
Multicore Distributed Optimization.
Lightning fast optimization of complex models with distributed processing across multiple cores of a single computer.
COMBINE RULES AND NEURAL NETS - You can build hybrid trading systems that involve neural network predictions as well as standard rules.
HYBRID MODELS - Since everything in NeuroShell is a data stream, there are many ways to build hybrid models by feeding the results of one wizard into another wizard. Indicators can go into other indicators, predictions and trading rules can go into indicators, trading signals can go into other trading rules, etc., etc.
PANEL OF EXPERTS - You can build a "panel of experts" - a strategy that consults several other strategies or neural networks to see what the majority predicts.
PAIRS TRADING - You can build pairs trading models and even optimize them.
PORTFOLIO MODELS - You can build portfolio models, where the model looks at a basket of stocks and takes a position in one or more of them based upon their relative position in the basket (relative position can be based upon one or more indicators or neural nets.) These portfolio models can be hedged to be market neutral, so that at a given time there are an equal number of long and short positions.
CROSS MARKET OPTIMIZATION - You can optimize each instrument in the chart individually, or do one general optimization that results in the same model for all instruments in the chart.
INTRADAY MODELS - You can build intraday models with the NeuroShell DayTrader Professional to make decisions about direction of the market at specified times of the day.
DATA EXPORTING - You can export data, indicators, signals, equity curves, etc. from NeuroShell into text files for processing in Excel, statistical programs, or other trading systems.
DATA IMPORTING - You can load text files of indicators or signals from other programs into NeuroShell in many cases.
CUSTOM INDICATOR API - Sometimes you may have in mind indicators that are too complex even for our Indicator Wizard to construct. In that case, you can program your own in standard languages like C++, Power Basic, and other languages capable of creating dynamic link libraries.
CUSTOM BROKERAGE API - If you don't want to use our connected brokers and have another broker you'd rather send trades to automatically, you or your programmers may be able to use our programmable "Trade Pump" to program your own custom brokerage interface.
CUSTOM DATA FEED API - We also have a programmable interface called the "Data Pump" which may allow you or your programmer to build a custom data interface to an intraday data provider not already supported by NeuroShell.
Use YOUR rules, indicators, and formulas to analyze today’s volatile markets, without writing any code. Instead, use our point and click “wizards” for indicators, predictions, and trading systems. For example, create multiple variations of the same indicator, such as 9 and 13 period moving averages, in one pass through the indicator wizard.
The indicator wizard allows you to build complex indicators by combining a number of the 800 included indicators. You can save these “custom” indicators for use in other trading systems. The prediction and trading strategy wizards also allow entire systems to be combined, so you can build “ensemble” sistemas com mais poder para encontrar negócios lucrativos. Save your favorites as templates for later use.
Point and Click.
Use NeuroShell Trader's multi-layered wizards to quickly build complex trading logic.
Ward Systems Group, Inc.
"Let your systems learn the wisdom of age and experience" ™

Genetic electric network trading systems

O ACSIS é uma série de estilo diário em linha que reporta resultados de pesquisa teórica e aplicada em ciência da computação e sistemas de informação. A série publica contribuições em uma ampla área que atravessa as fronteiras entre ciência (incluindo ciências sociais), engenharia e gerenciamento. Aceita publicações resultantes do mercado comercial, desde que os problemas industriais discutidos estimulem as ciências relacionadas e possam impactar a profissão de engenharia.
O ACSIS se originou de uma necessidade percebida para estabelecer a continuidade da presença eletrônica de volumes resultantes da série de conferências FedCSIS (Federated Computer Science and Information Systems, fedcsis). Como resultado de acordos entre a Polish Information Processig Society e o IEEE, os documentos da série de conferências FedCSIS são publicados sob um direito autoral conjunto e também fazem parte da Biblioteca Digital IEEE Xplore®.
A publicação eletrônica em tempo oportuno de procedimentos de conferência rigorosamente revisados ​​é um importante, mas não o único, tipo de material publicado pelo ACSIS. Algumas outras possibilidades incluem volumes temáticos pós-conferência (constituídos por documentos revisados ​​e ampliados em pelo menos 30%), relatórios de pesquisa de grandes projetos, monografias convidadas, edições especiais sobre temas quentes em ciência da computação e sistemas de informação, etc.
O ACSIS é indexado na Web of Science, SCOPUS, DBLP, CrossRef, BazEkon, Open Access Library, Index Copernicus, AcademicKeys, PBN, ARIANTE e iniciou o processo de abstração / indexação do conteúdo em mais.
Revista eletrônica.
O ACSIS fornece acesso aberto on-line imediato ao seu conteúdo que pode ser distribuído de acordo com os termos e condições estabelecidos na Licença de Atribuição de Creative Commons (CC BY). Sob esta licença, os autores mantêm a propriedade dos direitos autorais do seu conteúdo, mas permitem que qualquer pessoa baixe, reutilize, reimprima, modifique, distribua e / ou copie o conteúdo, desde que os autores e fontes originais sejam citados. Não é necessária nenhuma autorização dos autores ou dos editores. A atribuição apropriada pode ser fornecida simplesmente citando o artigo original. Os autores concedem o direito de publicação da primeira publicação.
Não são solicitadas taxas de publicação ou acesso.
Editores de séries.
Ganzha, Maria, Instituto de Pesquisa de Sistemas, Academia Polaca de Ciências, Varsóvia e Universidade de Gdansk, Gdańsk, Polônia.
Maciaszek, Leszek A., Universidade de Economia de Wrocław, Polônia e Macquarie University, Sydney, Austrália.
Paprzycki, Marcin, Instituto de Pesquisa de Sistemas, Academia Polaca de Ciências, Varsóvia e Academia de Gestão, Varsóvia, Polônia.
Editor Associado:
Katarzyna Wasielewska-Michniewska, Instituto de Pesquisa de Sistemas, Academia Polonês das Ciências, Varsóvia, Polônia.
Paweł Sitek, Kielce University of Technology, Kielce, Polônia.
Editor Técnico:
Para propor um volume, entre em contato com Maria Ganzha em: maria. ganzha [em] ibspan. lei. pl.