باستخدام المتاجرة نظام - matlab


إذا كنت أفهمك الحق، كنت تتحدث على وجه التحديد عن ماتلابس جزءا لا يتجزأ من منشأة توليد رمز (انظر هنا: mathworks. chembedded رمز جيل). في رأيي، الجواب على سؤالك هو بوضوح نعم. تتيح لك هذه الميزة إنشاء شفرة محددة للأجهزة، على سبيل المثال. للنشر على وحدات معالجة الرسومات (بطاقات الفيديو). تستخدم في أنظمة الفضاء، من بين أمور أخرى. في منطقتنا من الخبرة، وهذا هو على الارجح بأسرع ما يحصل اليوم، على الأقل لبعض أنواع النماذج. كقاعدة عامة: كلما زاد تعقيد نموذجك، كلما حصلت على ميزة تنافسية مع هذه التقنية. في رأيي، وهذا يفضل استراتيجيات متوسطة إلى عالية التردد (نماذج هف فائقة عادة ما تكون أبسط من ذلك بكثير، وبالتالي فإن النفقات العامة من توجيه المكالمات إلى الأجهزة الثانوية عادة ما تكون بطيئة جدا لنماذج بطيئة، لا يستحق المشكلة لأن لديك ما يكفي من الوقت لتشغيله على سطح المكتب مجهز تجهيزا جيدا). ومن الأمثلة النموذجية التي يمكن أن تسدد فيها هذه القيمة فعلا محاكاة محاكاة كارلو لحساب القيمة المعرضة للخطر (فار) لتحديد حجم المخاطر لاستراتيجية التداول اللحظي. في رأيي، حتى من دون توليد رمز، ماتلاب هو أيضا أداة قوية جدا وسريعة لاستخدام الإنتاج. على سبيل المثال، يمكنك تجميع التعليمات البرمجية، وإذا تم ذلك بشكل جيد، وهذا هو أسرع بكثير ثم R. في الواقع، فإن الشركة أعمل ل تنفيذ التكنولوجيا والتجارية استراتيجية لصناديق التحوط الكمي، وماتلاب هي واحدة من التقنيات التي نستخدمها في كثير من الأحيان . من ناحية أخرى، لا يزال ينظر إلى الجيل البرمجي على أنه حافة رائدة من قبل الكثيرين. وبالتالي، قد يكون الوقت لا يزال من حق الحصول على ميزة نسبية عن طريق استخدامه -) أجاب ديسمبر 18 12 في 20:02 لست متأكدا من أن استدعاء توليد رمز في ماتلاب كوتلادينغ إدجيكوت، فإنه يمكن تعريفه (بسبب النفقات العامة التي تأتي مع ذلك) لا يكون أسرع من رمز نقي مكتوب في C أو C، حتى C في كثير من الحالات يدق ماتلاب ولدت رمز، إن لم يكن مكتوب تحت تأثير الكحول. ولكن بالتأكيد هو مريحة للغاية ويسرع التنمية. نداش مات وولف ديك 19 12 في 0:53 بالطبع، إذا قمت بإنشاء رمز إلى C، ثم فاز t39 يكون أسرع من C. أيضا، قد تكون بعض الوظائف حتى أسرع في ماتلاب الأصلي (انظر هنا لمزيد من التفاصيل: blogs. mathworksloren20111114hellip). ومع ذلك، تبين تجربتنا أنه مع استراتيجية ذكية باستخدام ميكس عن الاختناقات، والأداء العام الخاص بك غالبا ما فاز على حد سواء C الأصلي وماتلاب. ولكن، كما قلت، بالنسبة لكثير من التطبيقات it39s لا يستحق عناء. وإذا كان لديك مهارات جيدة C، قد أيضا تطوير مباشرة في C. نداش كريستوف غلور ديك 19 12 في 9:43 إذا ذهبت خنق كامل أود أن أقول من الصعب التغلب على رمز C الأصلي، في النهاية ماتلاب ليست القيام بكاملها أكثر بكثير من رمز البرمجة ويدعو مترجم. ماتلاب ليست البيئة اللغوية الوحيدة التي يمكن أن تؤدي ناقلات وحسابات مصفوفة. بالإضافة إلى ذلك، في النهاية ماتلاب يضيف فقط طبقة أخرى على رأس قاعدة التعليمات البرمجية هو اضطر لاستخدامها للوصول إلى وحدات معالجة الرسومات، على سبيل المثال. لذلك، يمكن أن تقترب من C أو C ولكن لا أرى حجة واحدة حيث يمكن للمرء أن يدعي أنه يدق قواعد التعليمات البرمجية الأصلية. ولكن هذا النوع من التحركات بعيدا عن النقاش الأساسي. نداش مات وولف ديسمبر 19 12 في 9: 52 شفرة المصدر المتقدمة. كوم. إضغط هنا للتحميل. الخوارزميات الجينية تنتمي إلى فئة من خوارزميات تعلم الآلة التي تم استخدامها بنجاح في عدد من المجالات البحثية. هناك اهتمام متزايد باستخدامها في الاقتصاد المالي، ولكن حتى الآن لم يكن هناك تحليل رسمي يذكر. في سوق الأوراق المالية، قاعدة التداول التقني هو أداة شعبية للمحللين والمستخدمين للقيام أبحاثهم وتقرر شراء أو بيع أسهمهم. المسألة الرئيسية لنجاح قاعدة التداول هي اختيار القيم لجميع المعلمات ومجموعاتها. ومع ذلك، فإن مجموعة من المعلمات يمكن أن تختلف في مجال واسع، لذلك فمن الصعب على المستخدمين العثور على أفضل مزيج المعلمة. باستخدام خوارزمية وراثية، يمكننا أن ننظر لكل من هيكل ومعلمات القواعد في نفس الوقت. لقد قمنا بتحسين نظام التداول الذي تم تطويره من قبل ألفريدو روزا باستخدام الخوارزميات الجينية. تم اكتشاف جديدة، معقدة 16-بار قواعد التداول واختبارها على الإيطالية فيب مع نتائج رائعة. مصطلحات الفهرس: ماتلاب، المصدر، الكود، استخراج البيانات، نظام التداول، التنبؤ بسوق الأوراق المالية، استخراج قاعدة التداول، الخوارزميات الجينية، أنظمة التداول، الرسم البياني للشريط، مخطط الشمعدان، أنماط الأسعار، تركيبة المعلمة. الشكل 1. التركيب الوراثي نمط السعر المعقد الأمثل الذي اكتشفته الخوارزميات الجينية. رمز تجريبي (محمية P - الملفات) المتاحة لتقييم الأداء. ماتلاب الأدوات المالية، الخوارزمية الجينية وأدوات البحث المباشر مطلوبة. نوصي للتحقق من اتصال آمن إلى باي بال، من أجل تجنب أي احتيال. هذا التبرع يجب أن يعتبر تشجيع لتحسين القانون نفسه. نظام التجارة الوراثية - انقر هنا للتبرع الخاص بك. من أجل الحصول على شفرة المصدر لديك لدفع مبلغ قليل من المال: 90 وروز (أقل من 126 دولار أمريكي). مرة واحدة كنت قد فعلت هذا، يرجى مراسلتنا عبر البريد الإلكتروني luigi. rosatiscali. it في أقرب وقت ممكن (في غضون أيام قليلة) سوف تتلقى لدينا الإصدار الجديد من نظام التجارة الوراثية. بدلا من ذلك، يمكنك الاستفادة من الإحداثيات المصرفية لدينا: تحسين نظم التداول التقنية باستخدام خوارزمية الجينات القائمة على ماتلاب جديدة تشير الدراسات الحديثة في الأسواق المالية إلى أن التحليل الفني يمكن أن يكون أداة مفيدة جدا في التنبؤ بالاتجاه. وتستخدم نظم التداول على نطاق واسع لتقييم السوق ومع ذلك، فإن الاستفادة من المعلمة الأمثل لهذه النظم قد جذبت القليل من الاهتمام. في هذه الورقة، لاستكشاف القوة المحتملة للتجارة الرقمية، نقدم أداة ماتلاب جديدة على أساس الخوارزميات الجينية أداة متخصصة في تحسين المعلمة من القواعد الفنية. ويستخدم قوة الخوارزميات الجينية لتوليد حلول سريعة وفعالة في شروط التداول الحقيقية. وقد تم اختبار أداة لدينا على نطاق واسع على البيانات التاريخية لصندوق أوبس الاستثمار في أسواق الأسهم الناشئة من خلال نظامنا الفني محددة. وتظهر النتائج أن غاتراديتول المقترحة لدينا يتفوق استخداما، غير التكيف، وأدوات البرمجيات فيما يتعلق استقرار العودة وتوفير الوقت على مدى فترة العينة بأكملها. ومع ذلك، قدمنا ​​أدلة على احتمال تأثير حجم السكان في نوعية الحلول. الأسواق المالية التنبؤ الخوارزميات الوراثية الاستثمار القواعد الفنية 1. مقدمة التجار اليوم والمحللين الاستثمار تتطلب أدوات سريعة وفعالة في سوق مالية لا يرحم. وتجري المعارك في التجارة الآن بشكل رئيسي في سرعة الحاسوب. ويتيح تطوير تكنولوجيا برمجيات جديدة وظهور بيئات برامجية جديدة (مثل ماتلاب) الأساس لحل المشاكل المالية الصعبة في الوقت الحقيقي. ماتلابرسكوس واسعة المدمج في وظائف رياضية والمالية، وحقيقة أنه على حد سواء لغة البرمجة المترجمة والمترجمة واستقلاليتها منصة جعلها مناسبة تماما لتطوير التطبيقات المالية. أدلة على العائدات التي تجنيها القواعد التقنية، بما في ذلك استراتيجيات الزخم (على سبيل المثال 14. 15 16. 16. 25 xA0andxA020)، المتوسط ​​المتحرك للقواعد والأنظمة التجارية الأخرى 6. 2- 9 xA0andxA024 يمكن أن تدعم أهمية التحليل الفني. ومع ذلك، فإن غالبية هذه الدراسات تجاهل مسألة الأمثل المعلمة، وتركها مفتوحة لانتقادات من التطفل البيانات وإمكانية التحيز البقاء 7. 17 xA0andxA08. تقليديا استخدم الباحثون مواصفات مخصصة لقواعد التداول. أنها تستخدم التكوين الشعبي الافتراضي أو محاولة عشوائيا من عدد قليل من المعلمات المختلفة واختيار أفضل مع المعايير القائمة على العودة أساسا. بابادامو وستيفانيدس 23. نفذت ماتلاب الأدوات الجديدة القائمة على الحاسوب بمساعدة التقنية التي تضمنت إجراءات لمشاكل الأمثل المعلمة. ومع ذلك، فإن النقطة الضعيفة من الإجراء الأمثل لها هو الوقت: وظيفة الهدف (على سبيل المثال الربح) إسرسكوت بسيطة وظيفة الخطأ التربيعي ولكن معقدة (كل التكرار الأمثل يمر من خلال البيانات، ويولد إشارات التداول، ويحسب الأرباح، وما إلى ذلك). عندما تكون مجموعات البيانات كبيرة وكنت ترغب في إعادة تشغيل النظام الخاص بك في كثير من الأحيان وتحتاج إلى حل في أقرب وقت ممكن، ثم محاولة الخروج من جميع الحلول الممكنة للحصول على أفضل واحد سيكون مهمة شاقة جدا. الخوارزميات الجينية (غاس) هي أكثر ملاءمة لأنها تؤدي عمليات البحث العشوائي بطريقة منظمة وتتلاقى بسرعة كبيرة على السكان من الحلول الأمثل القريب. سوف غا تعطيك مجموعة (السكان) من حلول لدكوغودردكو. المحللون مهتمون بالحصول على عدد قليل من الحلول الجيدة بأسرع وقت ممكن بدلا من الحل الأفضل عالميا. الحل الأفضل عالميا موجود، ولكن من المستبعد جدا أن تستمر في أن تكون أفضل واحد. والهدف من هذه الدراسة هو إظهار كيف يمكن استخدام الخوارزميات الجينية، وهي فئة من الخوارزميات في الحساب التطوري، لتحسين أداء وكفاءة أنظمة التداول المحوسبة. وليس الغرض هنا تقديم مبرر نظري أو تجريبي للتحليل الفني. نحن نبرهن على نهجنا في مهمة تنبؤية معينة على أساس أسواق الأسهم الناشئة. ويتم تنظيم هذه الورقة على النحو التالي. ويرد العمل السابق في القسم 2. ويرد وصف مجموعة البيانات ومنهجيتنا في القسم 3. وتناقش النتائج التجريبية في القسم 4. الاستنتاجات يتبع القسم 5. 2. العمل السابق هناك مجموعة كبيرة من غا العمل في مجال علوم الكمبيوتر والهندسة المجالات ولكن تم القيام بعمل قليل بشأن المجالات التجارية ذات الصلة. لاتيلي، كان هناك اهتمام متزايد في استخدام غا في الاقتصاد المالي، ولكن حتى الآن كان هناك القليل من البحوث بشأن التداول الآلي. على حد علمنا أول ورقة نشرت ربط الخوارزميات الجينية للاستثمارات كانت من بور و ليبينز 4. باور 5 في كتابه خوارزميات لدكوجينيتيك واستراتيجيات الاستثمار عرضت إرشادات عملية بشأن كيفية غاس يمكن استخدامها لوضع استراتيجيات تجارية جذابة على أساس المعلومات الأساسية. ويمكن توسيع هذه التقنيات بسهولة لتشمل أنواعا أخرى من المعلومات مثل البيانات التقنية وبيانات الاقتصاد الكلي وكذلك الأسعار السابقة. وفقا ألين وكارجالينن 1. الخوارزمية الجينية هي الطريقة المناسبة لاكتشاف قواعد التداول الفنية. فيرناكوتنديز-رودرياكوتيغيز إت آل. 11 من خلال اعتماد الخوارزميات الجينية الأمثل في قاعدة تداول بسيطة توفر أدلة على الاستخدام الناجح لل غاس من بورصة مدريد. بعض الدراسات الأخرى المهتمة هي تلك التي قام بها محفوظ و ماني 18 التي قدمت نظاما جديدا يستند إلى الخوارزمية الجينية وطبقته على مهمة التنبؤ بالأداء المستقبلي للأسهم الفردية بواسطة نيلي إت آل. (21) وسوسيدين وآخرون. 22 الذي طبق البرمجة الجينية على التنبؤ بالنقد الأجنبي وأبلغ عن بعض النجاح. واحدة من مضاعفات في غا الأمثل هو أنه يجب على المستخدم تحديد مجموعة من المعلمات مثل معدل كروس، وحجم السكان ومعدل الطفرة. وفقا ل دي جونغ 10 الذين درسوا الخوارزميات الجينية في وظيفة الأمثل أداء جيد غا يتطلب ارتفاع احتمال كروس (يتناسب عكسيا مع حجم السكان) وحجم السكان المعتدل. غولدبيرغ 12 و ماركيلوس 19 تشير إلى أن مجموعة من المعلمات التي تعمل بشكل جيد عبر العديد من المشاكل هو كروس المعلمة 0.6، وحجم السكان 30 ومعلمة طفرة 0.0333. أجرى باور 4 سلسلة من المحاكاة حول مشاكل التحسين المالي وأكد صحة اقتراحات غولدبرغرسكوس. في هذه الدراسة سوف نقوم بإجراء دراسة محاكاة محدودة من خلال اختبار تكوينات المعلمة المختلفة لنظام التداول المختار. وسوف نقدم أيضا أدلة للجمعية العامة المقترحة من خلال مقارنة أداة لدينا مع أدوات البرمجيات الأخرى.

Comments