ซื้อขาย ระบบ Matlab

ระบบการซื้อขาย Coding ระบบการซื้อขายเป็นเพียงชุดของกฎที่ผู้ค้าใช้ในการกำหนดรายการและออกจากตำแหน่งการพัฒนาและใช้ระบบการซื้อขายสามารถช่วยให้ผู้ค้าบรรลุผลตอบแทนที่สม่ำเสมอในขณะที่จำกัดความเสี่ยงในสถานการณ์ที่เหมาะผู้ค้าควรรู้สึกเหมือนหุ่นยนต์ดำเนินธุรกิจการค้า อย่างเป็นระบบและไม่มีอารมณ์ดังนั้นบางทีคุณอาจเคยถามตัวเองว่าจะหยุดหุ่นยนต์จากการซื้อขายระบบของฉันคำตอบอะไรบทแนะนำนี้จะแนะนำคุณกับเครื่องมือและเทคนิคที่คุณสามารถใช้เพื่อสร้างระบบการซื้อขายอัตโนมัติของคุณเองได้อย่างไร Automated Trading สร้างระบบระบบการซื้อขายอัตโนมัติถูกสร้างขึ้นโดยการแปลงกฎของระบบการค้าของคุณเป็นรหัสที่คอมพิวเตอร์ของคุณสามารถเข้าใจได้คอมพิวเตอร์ของคุณจะเรียกใช้กฎเหล่านั้นผ่านซอฟต์แวร์เทรดของคุณซึ่งจะมองหาธุรกิจการค้าที่ปฏิบัติตามกฎของคุณในที่สุดธุรกิจการค้าจะถูกจัดวางโดยอัตโนมัติพร้อมกับ broker นี้บทแนะนำนี้จะมุ่งเน้นไปที่ส่วนที่สองและสามของกระบวนการนี้ซึ่งเป็นกฎของคุณ แปลงเป็นรหัสที่ซอฟแวร์การค้าของคุณสามารถเข้าใจและ use. What เทรดดิ้งซอฟท์แวสนับสนุนระบบการซื้อขายอัตโนมัติมีโปรแกรมการค้าจำนวนมากที่สนับสนุนระบบการซื้อขายอัตโนมัติบางอย่างจะสร้างและวางธุรกิจการค้ากับโบรกเกอร์ของคุณอื่น ๆ โดยอัตโนมัติจะพบการค้าที่เหมาะสมกับเกณฑ์ของคุณ, แต่จำเป็นต้องให้คุณสั่งซื้อกับโบรกเกอร์ของคุณด้วยตนเองนอกจากนี้โปรแกรมซื้อขายอัตโนมัติโดยทั่วไปมักต้องการให้คุณใช้โบรกเกอร์เฉพาะที่สนับสนุนคุณสมบัติดังกล่าวคุณอาจต้องกรอกแบบฟอร์มการให้สิทธิ์เพิ่มเติมข้อดีและข้อเสียระบบการซื้อขายอัตโนมัติมีประโยชน์หลายอย่าง แต่ พวกเขายังมีข้อเสียของพวกเขาด้วยหากทุกคนมีระบบการซื้อขายที่ทำเงินโดยอัตโนมัติตลอดเวลาเขาหรือเธอจะเป็นเจ้าของเครื่องทำเงินโดยอัตโนมัติระบบอัตโนมัติจะนำอารมณ์และการทำงานที่ไม่ว่างออกจากการซื้อขายซึ่งช่วยให้คุณได้ เพื่อมุ่งเน้นการปรับปรุงกลยุทธ์และกฎการจัดการเงินของคุณเมื่อระบบที่มีกำไร i s พัฒนาไม่จำเป็นต้องทำงานในส่วนของคุณจนกว่าจะแบ่งหรือสภาพตลาดต้องการเปลี่ยนแปลงหากระบบไม่ถูกต้องรหัสและทดสอบสูญเสียขนาดใหญ่สามารถเกิดขึ้นได้อย่างรวดเร็วบางครั้งมันเป็นไปไม่ได้ที่จะนำกฎบางอย่างเป็นรหัสซึ่ง ทำให้ยากที่จะพัฒนาระบบการซื้อขายอัตโนมัติในบทแนะนำนี้คุณจะได้เรียนรู้วิธีการวางแผนและออกแบบระบบการซื้อขายอัตโนมัติวิธีการแปลการออกแบบนี้เป็นรหัสที่คอมพิวเตอร์ของคุณจะเข้าใจวิธีการทดสอบแผนของคุณเพื่อให้แน่ใจว่าประสิทธิภาพที่ดีที่สุดและ, สุดท้ายวิธีการวางระบบของคุณใช้งานพบว่าการเดินทางน้อยเดินทางจะทำงานในความโปรดปรานของคุณหรือต่อต้านมันระบบการซื้อขายสามารถประหยัดเวลาและใช้อารมณ์ออกจากการซื้อขาย แต่การรับเอาทักษะและทรัพยากร - เรียนรู้เพิ่มเติมที่นี่นายหน้าส่วนใหญ่จะช่วยให้คุณมีบันทึกการค้า แต่ก็ยังเป็นสิ่งสำคัญในการติดตามด้วยตัวคุณเองขั้นตอนเหล่านี้จะทำให้คุณเป็นคนมีวินัยมากขึ้นอย่างชาญฉลาดและในท้ายที่สุดพ่อค้าที่มั่งคั่งคำถามที่ถามบ่อยเมื่อคุณทำ ea การชำระเงินจำนองจำนวนเงินที่จ่ายคือการรวมกันของค่าดอกเบี้ยและการชำระคืนหลักกว่าเรียนรู้ที่จะแยกความแตกต่างระหว่างสินค้าทุนและสินค้าอุปโภคบริโภคและดูว่าทำไมสินค้าทุนต้องมีการออมและการลงทุนอนุพันธ์เป็นสัญญาระหว่างสองฝ่ายหรือมากกว่า ที่มีมูลค่าเป็นไปตามสินทรัพย์ทางการเงินที่ตกลงกันไว้คำว่าคูเมืองเศรษฐกิจประกาศเกียรติคุณและเป็นที่นิยมโดย Warren Buffett หมายถึงความสามารถในการทำธุรกิจเพื่อรักษาข้อได้เปรียบในการแข่งขันคำถามที่พบบ่อยเมื่อคุณทำการชำระเงินจำนองจำนวนเงินที่จ่ายเป็น การรวมค่าดอกเบี้ยและการชำระคืนเงินต้นเรียนรู้ความแตกต่างระหว่างทุนสินค้าและสินค้าอุปโภคบริโภคและดูว่าเหตุใดสินค้าทุนจึงต้องใช้เงินออมและการลงทุนอนุพันธ์คือสัญญาระหว่างสองฝ่ายขึ้นไปซึ่งมีมูลค่าอิงตามราคาที่ตกลงกันไว้ - เมื่อสินทรัพย์ทางการเงินที่อยู่ภายใต้เงื่อนไขคูเมืองเศรษฐกิจประกาศเกียรติคุณและเป็นที่นิยมโดย Warren Buffett หมายถึงความสามารถในการดำเนินธุรกิจเพื่อรักษาความสามารถในการแข่งขัน age. Automated Trading System Development กับ MATLAB. Stuart Kozola, MathWorks. Want เพื่อเรียนรู้วิธีการสร้างระบบการซื้อขายอัตโนมัติที่สามารถจัดการบัญชีการค้าหลายประเภทสินทรัพย์หลายประเภทและการค้าขายในสถานที่จัดจำหน่ายหลายแห่งพร้อม ๆ กันในการสัมมนาทางเว็บนี้เราจะนำเสนอ ตัวอย่างเวิร์กโฟลว์สำหรับการวิจัยการติดตั้งการทดสอบและการปรับใช้กลยุทธ์การซื้อขายอัตโนมัติให้ความยืดหยุ่นสูงสุดในสิ่งที่คุณค้าขายและคุณจะได้เรียนรู้ว่าผลิตภัณฑ์ของ MATLAB สามารถนำมาใช้ในการรวบรวมข้อมูลการวิเคราะห์ข้อมูลและการสร้างภาพการพัฒนาแบบจำลองและการสอบเทียบการทำ backtesting การทดสอบไปข้างหน้าบูรณาการกับระบบที่มีอยู่และในที่สุดการใช้งานสำหรับการซื้อขายเรียลไทม์เรามองไปที่แต่ละส่วนในกระบวนการนี้และดูว่า MATLAB ให้แพลตฟอร์มเดียวที่ช่วยให้การแก้ปัญหาที่มีประสิทธิภาพของทุกส่วนของปัญหานี้หัวข้อเฉพาะรวมข้อมูล รวบรวมข้อมูลต่างๆรวมทั้งข้อมูลประวัติศาสตร์ข้อมูลภายในและข้อมูลเรียลไทม์ทุกวันการสร้างโมเดลและการสร้างต้นแบบ MATLAB. Backtesting และปรับเทียบแบบจำลองการทดสอบการส่งต่อไปข้างหน้าและการตรวจสอบรูปแบบการโต้ตอบกับห้องสมุดที่มีอยู่และซอฟต์แวร์สำหรับการดำเนินการทางการค้าการปรับใช้โปรแกรมสุดท้ายในหลายสภาพแวดล้อมรวมทั้ง JAVA และ Excel. Tools สำหรับการซื้อขายความถี่สูงรวมทั้งแบบขนาน GPUs และ C code generation จาก MATLAB โฟกัสผลิตภัณฑ์เลือกประเทศของคุณการดำเนินการประชุมระหว่างประเทศเกี่ยวกับวิธีการคำนวณทางวิทยาศาสตร์และวิศวกรรม 2547. ปรับปรุงระบบการค้าทางเทคนิคโดยใช้ขั้นตอนวิธีทางพันธุกรรมใหม่ที่ใช้ MATLABStephanos Papadamou a. Geeorge Stephanides ba ภาควิชาเศรษฐศาสตร์ University of Thessaly, Argonauton และ Filelinon, Volos, Greece. b ภาควิชาสารสนเทศสารสนเทศมหาวิทยาลัยมาซิโดเนีย Economic and Social Sciences, Egnatias 156, Thessaloniki 54006, Greece. Received 18 May 2006 Accepted 15 December 2006 ออนไลน์ 24 มกราคม 2550 การศึกษาล่าสุดในตลาดการเงินชี้ให้เห็นว่าการวิเคราะห์ทางเทคนิคสามารถ a เครื่องมือที่มีประโยชน์มากในการทำนายแนวโน้มระบบการซื้อขายถูกนำมาใช้กันอย่างกว้างขวางสำหรับการประเมินตลาด แต่การเพิ่มประสิทธิภาพพารามิเตอร์ของระบบเหล่านี้ได้รับความสนใจน้อยในเอกสารฉบับนี้เพื่อสำรวจศักยภาพของการซื้อขายดิจิทัลเรานำเสนอเครื่องมือ MATLAB ใหม่ที่ใช้ขั้นตอนวิธีทางพันธุกรรม เครื่องมือนี้ได้รับการทดสอบอย่างกว้างขวางเกี่ยวกับข้อมูลทางประวัติศาสตร์ของกองทุน UBS ที่ลงทุนในตลาดหุ้นที่เกิดขึ้นใหม่ผ่านทางระบบทางเทคนิคเฉพาะของเราผลการวิจัยพบว่า GATradeTool ของเรามีประสิทธิภาพสูงกว่าเครื่องมือซอฟต์แวร์ทั่วไปที่ใช้กันทั่วไปไม่เกี่ยวกับความมั่นคงในการคืนและการประหยัดเวลาในช่วงเวลาตัวอย่างทั้งหมดอย่างไรก็ตามเราได้แสดงให้เห็นถึงผลกระทบของขนาดประชากรที่เป็นไปได้ในคุณภาพของโซลูชันตลาดการเงินอัจฉริยะทางเทคนิค ข้อบังคับทางเทคนิค 1 บทนำผู้ค้าวันนี้และนักวิเคราะห์การลงทุนของวันนี้จำเป็นต้องใช้อย่างรวดเร็ว และเครื่องมือที่มีประสิทธิภาพในตลาดการเงินที่โหดเหี้ยมการต่อสู้กับการค้าขายส่วนใหญ่เกิดขึ้นที่ความเร็วของคอมพิวเตอร์การพัฒนาเทคโนโลยีซอฟต์แวร์ใหม่ ๆ และรูปลักษณ์ของสภาพแวดล้อมซอฟต์แวร์ใหม่ ๆ เช่น MATLAB เป็นพื้นฐานสำหรับการแก้ปัญหาทางการเงินที่ยากลำบากในเวลาจริง MATLAB มีการสร้าง ฟังก์ชันทางคณิตศาสตร์และการเงินข้อเท็จจริงที่ว่ามันเป็นทั้งภาษาตีความและเรียบเรียงและความเป็นอิสระของแพลตฟอร์มทำให้เหมาะสมกับการพัฒนาโปรแกรมทางการเงินความพึงพอใจต่อผลตอบแทนที่ได้จากกฎทางเทคนิครวมทั้งกลยุทธ์โมเมนตัมเช่น 14 15 16 16 25 และ 20 , กฎเฉลี่ยเคลื่อนที่และระบบการค้าอื่น ๆ 6 2 9 และ 24 สามารถสนับสนุนความสำคัญของการวิเคราะห์ทางเทคนิค แต่ส่วนใหญ่ของการศึกษาเหล่านี้ได้ละเลยปัญหาของการเพิ่มประสิทธิภาพพารามิเตอร์ทิ้งพวกเขาเปิดให้วิจารณ์จากการสอดแนมข้อมูลและความเป็นไปได้ของการมีชีวิตรอดอคติ 7 17 และ 8 นักวิจัยมักใช้ข้อกำหนดเฉพาะของกฎการซื้อขาย ความผิดพลาดที่นิยมกำหนดค่าหรือสุ่มลองพารามิเตอร์ที่แตกต่างกันไม่กี่และเลือกที่ดีที่สุดที่มีเกณฑ์ตามผลตอบแทนส่วนใหญ่ Padadamou และ Stephanides 23 ใช้กล่องเครื่องมือ MATLAB ใหม่ที่ใช้สำหรับการซื้อขายทางเทคนิคช่วยคอมพิวเตอร์ที่มีขั้นตอนสำหรับปัญหาการเพิ่มประสิทธิภาพพารามิเตอร์อย่างไรก็ตาม จุดอ่อนของขั้นตอนการเพิ่มประสิทธิภาพของพวกเขาคือเวลาฟังก์ชั่นวัตถุประสงค์เช่นกำไร isn ta ฟังก์ชั่นผิดพลาด squared ง่าย แต่ที่ซับซ้อนหนึ่งซ้ำการเพิ่มประสิทธิภาพแต่ละไปผ่านข้อมูลสร้างสัญญาณการซื้อขายคำนวณกำไร ฯลฯ เมื่อชุดข้อมูลมีขนาดใหญ่และคุณต้องการ reoptimize ระบบของคุณมักจะและคุณต้องแก้ปัญหาโดยเร็วที่สุดแล้วพยายามแก้ปัญหาที่เป็นไปได้ทั้งหมดเพื่อให้ได้ดีที่สุดจะเป็นงานที่น่าเบื่อมาก GAs GAs ขั้นตอนวิธีเหมาะกับการที่ดีกว่าเนื่องจากพวกเขาทำการค้นหาแบบสุ่มในลักษณะที่มีโครงสร้างและมาบรรจบกันมาก รวดเร็วในประชากรของโซลูชั่นที่อยู่ใกล้ที่สุด GA จะให้จำนวนประชากรที่กำหนดของโซลูชั่นที่ดี Analy ห่วงมีความสนใจในการแก้ปัญหาที่ดีไม่กี่ให้เร็วที่สุดเท่าที่จะเป็นไปได้มากกว่าการแก้ปัญหาที่ดีที่สุดทั่วโลกทางออกที่ดีที่สุดทั่วโลกจะมีอยู่ แต่ก็ไม่น่าเป็นไปได้สูงที่จะยังคงเป็นสิ่งที่ดีที่สุดจุดมุ่งหมายของการศึกษาครั้งนี้คือเพื่อแสดงให้เห็นว่า อัลกอริทึมทางพันธุกรรมซึ่งเป็นคลาสของอัลกอริทึมในการคำนวณวิวัฒนาการสามารถใช้เพื่อปรับปรุงประสิทธิภาพและประสิทธิภาพของระบบการซื้อขายแบบใช้คอมพิวเตอร์ได้จุดมุ่งหมายเพื่อให้เหตุผลเชิงทฤษฎีหรือเชิงประจักษ์ในการวิเคราะห์ทางเทคนิคเราแสดงให้เห็นถึงวิธีการของเราในงานพยากรณ์อากาศ จากข้อมูลก่อนหน้านี้ได้นำเสนอในส่วนที่ 2 ชุดข้อมูลและวิธีการของเราได้อธิบายไว้ในส่วนที่ 3 ผลที่ได้จากการทดลองได้กล่าวถึงในส่วนที่ 4 ข้อสรุปดังนี้หัวข้อ 5.2 งานก่อนหน้านี้มีร่างใหญ่ ของงาน GA ในด้านวิทยาการคอมพิวเตอร์และวิศวกรรมศาสตร์ แต่มีงานเล็ก ๆ น้อย ๆ ที่เกี่ยวข้องกับธุรกิจที่เกี่ยวข้อง นี่เป็นความสนใจที่เพิ่มขึ้นในการใช้ GA ในด้านเศรษฐศาสตร์ทางการเงิน แต่จนถึงปัจจุบันมีการวิจัยเพียงเล็กน้อยเกี่ยวกับการซื้อขายอัตโนมัติดังนั้นเราจึงได้ตีพิมพ์บทความเกี่ยวกับการเชื่อมโยงขั้นตอนวิธีเชิงพันธุกรรมกับ Bauer และ Liepins 4 Bauer 5 ในหนังสือ Algorithms ของเขาทางพันธุกรรม กลยุทธ์การลงทุนและการลงทุนนำเสนอแนวทางปฏิบัติเกี่ยวกับวิธีการใช้ GAs ในการพัฒนากลยุทธ์การซื้อขายที่น่าสนใจโดยอิงกับข้อมูลพื้นฐานเทคนิคเหล่านี้สามารถขยายได้ง่ายรวมถึงข้อมูลประเภทอื่น ๆ เช่นข้อมูลทางเทคนิคและข้อมูลเศรษฐกิจมหภาครวมทั้งราคาที่ผ่านมาตามที่ Allen และ Karjalainen 1 ขั้นตอนวิธีทางพันธุกรรมเป็นวิธีการที่เหมาะสมในการค้นหากฎการซื้อขายทางเทคนิค Fernndez-Rodrguez et al 11 โดยการใช้การเพิ่มประสิทธิภาพของขั้นตอนวิธีทางพันธุกรรมในกฎการซื้อขายที่เรียบง่ายเป็นหลักฐานในการใช้ GA ที่ประสบความสำเร็จจากมาดริด Stock Exchange การศึกษาที่สนใจอื่น ๆ ได้แก่ Mahfoud และ Mani 18 ที่นำเสนอระบบอัลกอริทึมใหม่ทางพันธุกรรมและ ap plely มันกับงานของการคาดการณ์การแสดงในอนาคตของหุ้นแต่ละโดย Neely et al 21 และโดย Oussaidene et al 22 ที่ใช้โปรแกรมพันธุกรรมเพื่อพยากรณ์อัตราแลกเปลี่ยนและรายงานความสำเร็จบางส่วนหนึ่งของภาวะแทรกซ้อนในการเพิ่มประสิทธิภาพของ GA คือผู้ใช้ต้องกำหนด ชุดของพารามิเตอร์เช่นอัตราการครอสโอเวอร์ขนาดประชากรและอัตราการกลายพันธุ์ตาม De Jong 10 ที่ศึกษาขั้นตอนวิธีทางพันธุกรรมในการเพิ่มประสิทธิภาพการทำงานที่ดีผลการดำเนินงาน GA ที่ดีต้องมีความน่าจะเป็นข้ามสูงสัดส่วนผกผันกับขนาดของประชากรและประชากรในปริมาณปานกลาง Goldberg 12 และ Markellos 19 แนะนำ ที่ชุดของพารามิเตอร์ที่ทำงานได้ดีในหลายปัญหาคือพารามิเตอร์ครอสโอเวอร์ 0 6 ขนาดประชากร 30 และพารามิเตอร์การกลายพันธุ์ 0 0333 Bauer 4 ดำเนินการชุดของการจำลองเกี่ยวกับปัญหาการเพิ่มประสิทธิภาพทางการเงินและยืนยันความถูกต้องของคำแนะนำ Goldberg ในการศึกษาในปัจจุบันเรา จะดำเนินการศึกษาการจำลองแบบ จำกัด ด้วยการทดสอบการกำหนดค่าตัวแปรต่างๆสำหรับ ระบบการซื้อขายที่เลือกเราจะให้หลักฐานสำหรับ GA ที่เสนอโดยการเปรียบเทียบเครื่องมือของเรากับเครื่องมือซอฟต์แวร์อื่น ๆ 3 วิธีการวิธีการของเราดำเนินการในหลายขั้นตอนก่อนอื่นเราต้องใช้ระบบการซื้อขายของเราตามการวิเคราะห์ทางเทคนิคในการพัฒนาระบบการซื้อขาย คุณต้องกำหนดเมื่อเข้าและเมื่อออกจากตลาดหากผู้ค้าอยู่ในตลาดตัวแปรไบนารีมีค่าเท่ากับหนึ่งเป็นอย่างอื่นเป็นศูนย์เป็นผู้ค้าตำแหน่งเราฐานส่วนใหญ่ของการเข้าและออกจากการตัดสินใจของเราในแผนภูมิรายวันโดยการสร้าง ตัวชี้วัดนี้บ่งชี้ความคลาดเคลื่อนของราคาในปัจจุบันจากค่าเฉลี่ยความยาวโดยเฉลี่ยตัวชี้วัดที่ใช้ในระบบการซื้อขายของเราสามารถกำหนดได้ดังนี้ด้านล่างคือราคาปิดของกองทุนในช่วงเวลาและฟังก์ชัน MovAv คำนวณค่าเฉลี่ยเคลื่อนที่ที่แท้จริงของ ตัวแปรปิดด้วยความยาวของเวลาระบบการซื้อขายของเราประกอบด้วยตัวบ่งชี้สองตัวตัวบ่งชี้ Dimbeta และค่าเฉลี่ยเคลื่อนที่ของ Dimbeta ที่กำหนดโดย สมการต่อไปนี้หากข้ามไปข้างบนแล้วใส่ยาวเข้าสู่ตลาดคือสัญญาณซื้อถ้าข้ามลงแล้วปิดตำแหน่งยาวในตลาดเช่นสัญญาณขายที่สองเราต้องเพิ่มประสิทธิภาพกลยุทธ์การซื้อขายของเราเป็นที่รู้จักกันดีว่าการเพิ่มฟังก์ชันวัตถุประสงค์เช่น กำไรหรือความมั่งคั่งสามารถเพิ่มประสิทธิภาพระบบการซื้อขายได้มากที่สุดวัตถุประสงค์ของการทำธุรกิจของผู้ประกอบการที่ไม่คำนึงถึงความเสี่ยงคือกำไรในเครื่องมือซอฟต์แวร์ของเราเราพิจารณากำไร multiplicative กำไรคูณมีความเหมาะสมเมื่อมีการทุ่มเทความมั่งคั่งที่สะสมไว้ในการค้าระยะยาวแต่ละครั้ง ยอดขายจะได้รับอนุญาตและตั้งค่าปัจจัยรัดที่ความมั่งคั่งในเวลาที่ได้รับโดยสูตรต่อไปนี้ที่นี่คือผลตอบแทนที่ได้รับสำหรับงวดสิ้นสุดในเวลาเป็นค่าใช้จ่ายในการทำธุรกรรมและเป็นตัวแปรไบนารีปลอมแสดงตำแหน่งยาวหรือ ไม่เช่น 1 หรือ 0 กำไรจะได้รับโดยการลบออกจากความมั่งคั่งขั้นสุดท้ายความมั่งคั่งเริ่มต้นการเพิ่มประสิทธิภาพระบบที่เกี่ยวข้องกับการดำเนินการทดสอบหลาย w. hile เปลี่ยนแปลงหนึ่งหรือมากกว่าพารามิเตอร์ภายในกฎการซื้อขายจำนวนการทดสอบสามารถเติบโตอย่างรวดเร็ว Metastock มีสูงสุด 32 000 การทดสอบใน FinTradeTool 23 ไม่มีข้อ จำกัด อย่างไรก็ตามในการประมวลผลเวลาขึ้นอยู่กับระบบคอมพิวเตอร์ที่ใช้ในนี้ กระดาษที่เราตรวจสอบความเป็นไปได้ของการแก้ปัญหาการเพิ่มประสิทธิภาพโดยใช้ขั้นตอนวิธีทางพันธุกรรมขั้นตอนวิธีทางพันธุกรรม GAs ที่ได้รับการพัฒนาโดยฮอลแลนด์ 13 เป็นชั้นของการค้นหาการปรับตัวและเทคนิคการเพิ่มประสิทธิภาพขึ้นอยู่กับหลักการของวิวัฒนาการธรรมชาติขั้นตอนวิธีเชิงการยืมตัวเองดีกับปัญหาการเพิ่มประสิทธิภาพ เนื่องจากเป็นที่รู้จักกันเพื่อแสดงความแข็งแรงและสามารถนำเสนอข้อดีที่สำคัญในวิธีการแก้ปัญหาและประสิทธิภาพการเพิ่มประสิทธิภาพ GA แตกต่างจากการเพิ่มประสิทธิภาพและขั้นตอนการค้นหาอื่น ๆ ในบางประการประการแรกพวกเขาทำงานด้วยการเขียนโค้ดของชุดพารามิเตอร์ไม่ใช่พารามิเตอร์ด้วยเหตุนี้ GAs จึงสามารถจัดการได้อย่างง่ายดาย ตัวแปรไบนารีที่สอง GAs ค้นหาจากจำนวนจุดไม่เป็น ดังนั้น GA สามารถให้ชุดของโซลูชั่นที่ดีที่สุดทั่วโลกในที่สุด GA ใช้เฉพาะข้อมูลฟังก์ชันวัตถุประสงค์ไม่อนุพันธ์หรือความรู้เสริมอื่น ๆ ดังนั้น GA สามารถจัดการกับฟังก์ชันไม่ต่อเนื่องและไม่แตกต่างกันที่มีอยู่จริงในปัญหาการเพิ่มประสิทธิภาพในทางปฏิบัติ .4 เสนอ GATradeTool ใน GATradeTool อัลกอริทึมทางพันธุกรรมดำเนินการกับจำนวนประชากรของโซลูชันผู้สมัครที่ถูกเข้ารหัสตัวแปรการตัดสินใจในชุดพารามิเตอร์จะถูกเข้ารหัสเป็นสตริงไบนารีและทั้งหมดจะถูกแบ่งส่วนเพื่อสร้างการแทนโครโมโซมโครโมโซมเป็นเวกเตอร์สององค์ประกอบที่ประกอบด้วย, พารามิเตอร์ใน bunary genetic coding ความแม่นยำของการแทน binary คือแปดบิตต่อพารามิเตอร์คือ 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1 มันเริ่มต้นด้วยจำนวนประชากรที่สร้างขึ้นโดยเด็ดขาดเริ่มแรกผู้สมัครโซลูชันเหล่านี้ได้รับการประเมินในแง่ของ ฟังก์ชั่นเป้าหมายของเรา Eq 4 เพื่อให้ได้ข้อมูลที่ดีที่สุดในแต่ละโครโมโซมแลกเปลี่ยนข้อมูลโดยใช้ตัวดำเนินการคือเลขคณิต ic crossover 1 ยืมมาจากพันธุกรรมธรรมชาติเพื่อผลิตทางออกที่ดีขึ้นฟังก์ชันวัตถุประสงค์ Eq 4 ใช้เพื่อวัดว่าบุคคลได้ดำเนินการอย่างไรในโดเมนปัญหาในกรณีของเราบุคคลที่เหมาะที่สุดจะมีค่าตัวเลขสูงสุดของฟังก์ชันวัตถุประสงค์ที่เกี่ยวข้อง ฟังก์ชั่นการออกกำลังกายจะแปลงค่าฟังก์ชั่นวัตถุประสงค์แบบดิบให้เป็นตัวเลขที่ไม่เป็นลบสำหรับบุญแต่ละตัวเครื่องมือนี้สนับสนุนวิธีการหักล้างและปรับขนาดของ Goldberg 12 และอัลกอริธึมการจัดอันดับเชิงเส้นของ Baker 3. เทคนิคการเลือกของเราใช้กลไกรูเล็ตล้อเพื่อเลือกที่น่าจะเป็นไปได้ บุคคลธรรมดาจะถูกแม็พกับ 1-1 ในช่วงเวลาต่อเนื่องกันในช่วง 0 รวมเป็นขนาดของแต่ละบุคคล ช่วงเวลาที่สอดคล้องกับค่าการออกกำลังกายของบุคคลที่เกี่ยวข้องในการเลือกบุคคลที่สุ่ม numbe r ถูกสร้างขึ้นในช่วงเวลา 0 ผลรวมและบุคคลที่มีช่วงที่มีการสุ่มเลือกหมายเลขกระบวนการนี้ซ้ำจนกว่าจะถึงจำนวนที่ต้องการของบุคคลที่ได้รับการคัดเลือก 26 ผู้สมัครเหล่านี้ได้รับอนุญาตให้เข้าร่วมในครอสโอเวอร์เลขคณิตขั้นตอนที่มีการรวมกันใหม่ ผู้สมัครเพื่อที่จะสร้างรุ่นต่อไปขั้นตอนเหล่านี้ถูกทำซ้ำจนกว่าเกณฑ์ที่กำหนดไว้เป็นที่พอใจเนื่องจาก GA เป็นวิธีการค้นหาแบบสุ่มซึ่งเป็นเรื่องยากที่จะระบุเกณฑ์การรวมกันอย่างเป็นทางการเนื่องจากความสามารถในการทำงานของประชากรอาจยังคงนิ่งอยู่หลายชั่วอายุคน ก่อนที่บุคคลทั่วไปจะพบว่าการประยุกต์ใช้เกณฑ์การเลิกจ้างแบบเดิมกลายเป็นปัญหาผลที่ตามมาเราได้เสนอผลสัมฤทธิ์ตามจำนวนที่กำหนดไว้เป็นเกณฑ์การเลิกจ้างขั้นตอนทางพันธุกรรมของเราสามารถนำเสนอในกรอบต่อไปนี้ 5 ผลเชิงประจักษ์ในส่วนนี้ เราใช้วิธีการของเราในกองทุนรวม UBS ที่ลงทุนในตลาดหุ้นที่เกิดขึ้นใหม่ 2 การวิเคราะห์ข้อมูลประกอบด้วยข้อสังเกต 2800 ข้อสังเกตเกี่ยวกับราคาปิดบัญชีรายวันของกองทุนสำรองเลี้ยงชีพดังกล่าวสำหรับงวด 1 5 98 25 6 04 ระยะเวลาการเพิ่มประสิทธิภาพมีความหมายระหว่าง 1 5 98 ถึง 25 6 03 ระบบที่ดีที่สุดได้รับการประเมินโดยขยายระยะเวลา 25 6 03 25 6 04 ปัญหาการเพิ่มประสิทธิภาพได้รับการตั้งค่าเป็นเพื่อกำหนดความยาวสูงสุดของตัวบ่งชี้ Dimbeta และค่าเฉลี่ยเคลื่อนที่ของแบบจำลอง Dimbeta ง่ายที่จะเพิ่มผลกำไรประการแรกผลของการกำหนดค่าพารามิเตอร์ GA ที่แตกต่างกันจะมีการศึกษาโดยเฉพาะอย่างยิ่งเรามีความสนใจในการวัด ผลของขนาดประชากรและพารามิเตอร์ครอสโอเวอร์ในการปฏิบัติตามขั้นตอนการเพิ่มประสิทธิภาพขั้นตอนวิธีทางพันธุกรรมตามข้อเสนอแนะของ Goldberg s 12 และ Bauer s 4 ขนาดของประชากรควรเท่ากับ 30 และอัตราการไขว้ควรเป็น 0 ค่าเริ่มต้น 6 จำนวน ของการทำซ้ำได้รับการกำหนดให้เป็น 300 สำหรับการจำลองทั้งหมดประการที่สองเราได้เปรียบเทียบโซลูชันของปัญหาการเพิ่มประสิทธิภาพที่ดำเนินการโดยเครื่องมือซอฟต์แวร์ต่างๆเพื่อให้ วัดความถูกต้องของ GATradeTool ที่เสนอไว้ตารางที่ 1 แสดงผลการเพิ่มประสิทธิภาพ GA สำหรับขนาดที่ต่างกันแถวแรกของตารางแสดงพารามิเตอร์ที่ดีที่สุดสำหรับตัวบ่งชี้ Dimbeta และค่าเฉลี่ยเคลื่อนที่ของ Dimbeta เพื่อวัดผลกระทบของขนาดประชากรใน ทางออกที่ดีที่สุดที่เราตรวจสอบชุดของสถิติที่แตกต่างกันวิธีการแก้ปัญหาที่มีผลตอบแทนสูงสุดและต่ำสุดค่าเฉลี่ยผลตอบแทนส่วนเบี่ยงเบนมาตรฐานของโซลูชั่นเหล่านี้เวลาที่จำเป็นสำหรับการลู่เข้าของอัลกอริทึมและดัชนีประสิทธิภาพการคำนวณโดยการหารโซลูชั่นผลตอบแทนสูงสุดโดย ค่าเบี่ยงเบนมาตรฐานของการแก้ปัญหาผลที่ได้ 1 ตารางประชากรโดยดูจากตารางที่ 1 เราสามารถพูดได้ว่าตราบเท่าที่คุณเพิ่มขนาดประชากรที่ดีที่สุดและค่าเฉลี่ยของโซลูชั่นที่สูงขึ้นอย่างไรก็ตามหลังจากที่มีขนาดประชากร 30 ประสิทธิภาพลดลงตามลำดับ เพื่อพิจารณาค่าใช้จ่ายในการคำนวณที่เกี่ยวข้องเนื่องจากการเพิ่มขนาดประชากรเราคำนวณเวลาที่จำเป็นสำหรับการแก้ปัญหา ปัญหาที่เกิดขึ้นขนาดของประชากรต่ำทำให้ประสิทธิภาพการทำงานต่ำและเวลาที่เสร็จสมบูรณ์ต่ำตามดัชนีประสิทธิผลทางออกที่ดีที่สุดคือจำนวนประชากรที่กำหนดไว้ 20. เพื่อสร้างประสิทธิภาพพื้นฐานของอัลกอริธึมการทดลองของ GA มีทั้งสิ้น 30 การทดลอง จำนวนประชากรเริ่มต้นที่แตกต่างกันสำหรับการทดลองแต่ละครั้ง Fig 1a แสดงให้เห็นว่าประสิทธิภาพการทำงานดีขึ้นเมื่อเวลาผ่านไปอย่างไรโดยการวางแผนการออกกำลังกายสูงสุดโดยเฉลี่ยเป็นเปอร์เซ็นต์ของค่าที่ดีที่สุดเมื่อเทียบกับรุ่นก่อนเราได้ค่าสมรรถภาพสูงสุดสำหรับการทดลองทั้งหมด 30 ครั้งสำหรับทุกรุ่นและ ทุกการทดลองเราคำนวณค่าสมรรถภาพสูงสุดและหารจำนวนดังกล่าวตามค่าการออกกำลังกายที่ดีที่สุดซึ่งได้มาจากเครื่องมือ FinTrade ของการค้นหาซึ่งเป็นค่าเฉลี่ย 23 ซึ่งทำให้เรามีค่าเฉลี่ยสมรรถนะสูงสุดเป็นเปอร์เซ็นต์ของค่าที่เหมาะสมต่อรุ่น 1 พารามิเตอร์พื้นฐาน ร้อยละของการตั้งค่าที่ดีที่สุดสามารถมองเห็นได้ในรูปที่ 1a สมรรถภาพเฉลี่ยสูงสุดของรุ่นแรกคือประมาณ 74 ของค่าที่เหมาะสมที่สุด แม้ว่ารุ่นที่ห้าสิบของอัลกอริทึมจะพบโซลูชันอย่างน้อยหนึ่งข้อที่อยู่ภายใน 90 ของค่าที่ดีที่สุดหลังจากรุ่นที่ห้าสิบโซลูชันสามารถเข้าถึงค่าที่เหมาะสมได้ถึง 98 ค่าด้วยการวัดประสิทธิภาพจากการตั้งค่าฐานของเราเป็นข้อมูลอ้างอิง เราศึกษาผลของการเปลี่ยนแปลงขนาดประชากรและอัตราการไขว้สำหรับการตั้งค่าพารามิเตอร์แต่ละแบบเราได้ทำการทดลองทั้งหมด 30 ขั้นตอนแล้วเปรียบเทียบกราฟสมรรถภาพเฉลี่ยสูงสุดกับค่าที่ได้สำหรับ การตั้งค่าพื้นฐานขั้นแรกเราลองใช้อัตราการครอสโอเวอร์ 0 4 และ 0 8 ผลที่ได้จะแสดงในรูปที่ 1b และรูปที่ 1c ซึ่งคล้ายกับรูปที่ 1a เนื่องจากพารามิเตอร์ครอสโอเวอร์ไม่ส่งผลต่อการแก้ปัญหาที่ดีที่สุดในระดับที่สำคัญอย่างไรก็ตามผลคือ เมื่อเราปรับเปลี่ยนขนาดประชากรตามรูป Fig 1d และ Fig 1e ที่มีขนาดประชากรเล็ก ๆ เรามีผลที่แย่กว่าเมื่อมีประชากรมากเมื่อเราเลือก 80 เป็น p เราได้รับผลตอบแทนที่สูงในรุ่นต้น ๆ 1 กิกะไบต์ครอสโอเวอร์ 0 ร้อยละ 40 ของค่าที่ดีที่สุด 1 ก. ครอสโอเวอร์ 0 ร้อยละ 80 ของประชากรที่เหมาะสมที่สุด 1 คนประชากรร้อยละ 80 ของประชากรที่เหมาะสมประชากร 1 เปอร์เซ็นต์ประชากรสูงกว่า 20 เปอร์เซ็นต์ของความเหมาะสมโดยดูที่ตารางที่ 2 คุณ สามารถเปรียบเทียบผลลัพธ์ของการเพิ่มประสิทธิภาพระบบการซื้อขายของเราโดยใช้เครื่องมือซอฟต์แวร์สามแบบได้แถวแรกให้ผลลัพธ์สำหรับ GATradeTool เทียบกับ Metastock และ FinTradeTool 23 เครื่องมือซอฟต์แวร์ที่เสนอของเรา GATradeToo l สามารถแก้ปัญหาการเพิ่มประสิทธิภาพได้อย่างรวดเร็วโดยไม่มีข้อ จำกัด เฉพาะใด ๆ จำนวนการทดสอบทั้งหมดจำนวนการทดสอบสูงสุดที่สามารถทำได้ในซอฟต์แวร์ Metastock คือ 32 000 FinTradeTool ต้องการเวลามากขึ้นเพื่อหาแนวทางที่ดีที่สุดโซลูชันของ GATradeTool อยู่ใกล้กับทางออกที่ดีที่สุดของ FinTradeTool. Table 2 การเปรียบเทียบสามเครื่องมือซอฟต์แวร์ที่แตกต่างกันพารามิเตอร์ Optimized Dimbeta MovAv DimBeta ระบบการค้าที่มีพารามิเตอร์ที่เหมาะสมที่ พบว่าในระยะเวลา 1 5 98 25 6 03 ได้รับการทดสอบในช่วงการประเมิน 25 6 03 25 6 04 ผลการดำเนินงานของระบบการซื้อขายของเราเพิ่มขึ้นในเครื่องมือซอฟต์แวร์ทั้งหมด แต่ต้องเสียค่าใช้จ่ายเป็นอย่างมากในคอลัมน์ที่ 4 Fig 2 แสดงให้เห็นถึงวิวัฒนาการของผลตอบแทนสูงสุดต่ำสุดและเฉลี่ยใน 300 ชั่วอายุคนสำหรับระบบการค้าของ Dimbeta ขนาด 80 อัตราการครอสโอเวอร์ 0 6 สามารถสังเกตได้ว่าผลตอบแทนสูงสุดมีแนวโน้มเป็นบวก 150 อายุและการเคลื่อนไหวในช่วงระหว่าง 1 2 และ 1 เช่น 120 100 กลับสำหรับการออกกำลังกายขั้นต่ำไม่มีรูปแบบที่ดูเหมือนว่าจะมีอยู่สำหรับประชากรเฉลี่ยกลับมามีแนวโน้มสูงขึ้นอย่างชัดเจนสามารถพบได้ในครั้งแรก 180 รุ่นนี้เป็นข้อบ่งชี้ว่าโดยรวม สมรรถภาพของประชากรที่ดีขึ้นเมื่อเวลาผ่านไปเกี่ยวกับความผันผวนของโซลูชันส่วนเบี่ยงเบนมาตรฐานของโซลูชันหลังจากการเพิ่มขึ้นของรุ่นแรก ๆ จะมีเสถียรภาพในช่วงระหว่าง 0 ถึง 3 ให้เป็นหลักฐาน ence ของชุดที่มีเสถียรภาพและมีประสิทธิภาพของการแก้ปัญหา Fig 2 วิวัฒนาการของสถิติหลายกว่า 300 รุ่น 3 ขั้นตอนให้พล็อตสามมิติของการแก้ปัญหาที่ดีที่สุดให้โดยแกน GATradeTool และเรามีพารามิเตอร์สำหรับตัวบ่งชี้ dimbeta และการย้ายของ ค่าเฉลี่ยแกน 2 แสดงการกลับมาของระบบการซื้อขาย Dimbeta สำหรับพารามิเตอร์ที่เหมาะสมที่เลือกไว้เพื่อให้เข้าใจได้ง่ายว่าเครื่องมือของเรามีทางออกที่ดีที่สุดในทางตรงกันข้ามกับ FinTradeTool ที่ให้ทางออกที่ดีที่สุดเท่านั้น 3 ขั้นตอน 3 มิติของ พื้นที่ที่เหมาะสมที่สุด 6. ข้อสรุปขณะที่การวิเคราะห์ทางเทคนิคถูกนำมาใช้กันอย่างแพร่หลายในฐานะนักลงทุนหรือนักวิชาการ แต่พวกเขาไม่ค่อยเน้นประเด็นเรื่องการเพิ่มประสิทธิภาพพารามิเตอร์นี่ไม่ใช่หน้าที่ของเราในการปกป้องการวิเคราะห์ทางเทคนิคในที่นี้แม้ว่าผลของเราจะแสดงให้เห็นว่ามีบางส่วน ความสามารถในการคาดการณ์ในกองทุนรวมยูบีเอสที่ลงทุนในตลาดเกิดใหม่ตามข้อมูลทางประวัติศาสตร์ของเราวัตถุประสงค์หลักของเราในเอกสารฉบับนี้คือเพื่อแสดงให้เห็นว่า เทคโนโลยีของ MATLAB สามารถใช้เพื่อใช้เครื่องมืออัลกอริทึมทางพันธุกรรมที่สามารถปรับปรุงการเพิ่มประสิทธิภาพของระบบการซื้อขายทางเทคนิคได้ผลการทดลองของเราแสดงให้เห็นว่า GATradeTool สามารถปรับปรุงการซื้อขายแบบดิจิตอลได้โดยการจัดหาชุดโซลูชั่นที่เหมาะสมที่สุดใกล้เคียงกับผลของการกำหนดค่าพารามิเตอร์ GA เราพบว่าการเพิ่มขนาดประชากรสามารถปรับปรุงประสิทธิภาพของระบบพารามิเตอร์ของอัตราการไขว้ไม่มีผลต่อคุณภาพของโซลูชันอย่างจริงจังเมื่อเปรียบเทียบวิธีแก้ปัญหาการเพิ่มประสิทธิภาพที่ดำเนินการโดยเครื่องมือซอฟต์แวร์ต่างๆเราพบว่า GATradeTool สามารถ ทำงานได้ดีขึ้นโดยให้ชุดของโซลูชันที่ดีที่สุดซึ่งมีความสม่ำเสมอตลอดช่วงการประเมินผลสุดท้ายจะเป็นประโยชน์สำหรับการวิจัยเพิ่มเติมเพื่อทดสอบชุดของระบบต่างๆเพื่อดูความสัมพันธ์ระหว่างอัลกอริธึมทางพันธุกรรมและการแสดงผลของระบบ ในช่วงเวลาของการเปลี่ยนแปลงบ่อยครั้งในตลาดการเงินนักวิจัยและนักการตลาด aders สามารถทดสอบระบบเฉพาะของพวกเขาใน GATradeTool ได้โดยการเปลี่ยนเฉพาะฟังก์ชันที่สร้างสัญญาณการซื้อขายเอกสารวิจัยฉบับนี้เป็นส่วนหนึ่งของการวิจัยดุษฎีบัณฑิตของ Dr S Papadamou ที่ได้รับทุนจากมูลนิธิทุนการศึกษาของ IKY Greek State. F Allen R Karjalainen การใช้ ขั้นตอนวิธีทางพันธุกรรมเพื่อหากฎการซื้อขายทางเทคนิควารสารเศรษฐกิจและการเงิน 51 1999 หน้า 245 271.HL Allen เทย์เลอร์ MP ใช้การวิเคราะห์ทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศวารสารการเงินระหว่างประเทศเล่มที่ 11 1992 pp 303 314.JE Baker , วิธีการเลือก Adaptive สำหรับอัลกอริทึมทางพันธุกรรมในการประชุมวิชาการนานาชาติเรื่องอัลกอริทึมเชิงพันธุกรรมฉบับที่ 1, 1985, หน้า 101 111.RJ Bauer GE Liepins อัลกอริทึมเชิงกลยุทธ์และกลยุทธ์การซื้อขายด้วยระบบคอมพิวเตอร์ระบบ Expert ในด้านการเงิน DEO Leary PR Watkins 1992 Elsevier Science Publishers, อัมสเตอร์ดัมประเทศเนเธอร์แลนด์อัลกอริทึมการกระจายพลังงานและกลยุทธ์การลงทุน 1,994 John Wiley Sons, Inc, New York. W Brock J Lakonishok B LeB aron. Simple กฎการซื้อขายทางเทคนิคและคุณสมบัติ stochastic ของการกลับมาของสต็อกสินค้าวารสารการเงินการคลัง 47 2535 pp 1731 1764. น้ำตาล W Goetzmann R Ibbotson S Ross. Survivorship อคติในการศึกษาประสิทธิภาพการตรวจสอบจากการศึกษาทางการเงินเล่ม 5 1992 pp 553 580 S Brown W Goetzmann S Ross. Journal of Finance ปริมาณ 50 1995 หน้า 853 873.YW Cheung CYP Wong ผลการดำเนินงานของกฎการซื้อขายในอัตราแลกเปลี่ยนเงินตราต่างประเทศของชาวเอเชียสี่ฉบับฉบับที่ 1 1997 หน้า 1 22.K De Jong การวิเคราะห์ พฤติกรรมของชนชั้นของระบบการปรับตัวทางพันธุกรรม, Ph D Diss University of Michigan, Microfilms University 76-9381, 1975.F Fernndez-Rodrguez, C Gonzlez-Martel, S Sosvilla-Rivero การเพิ่มประสิทธิภาพของกฎทางเทคนิคโดยวิธีทางพันธุกรรมหลักฐาน จากตลาดหุ้นมาดริด, Working Papers 2001-14, FEDEA, 2001.DE Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning 1998. Addison-Wesley. การปรับตัวในระบบธรรมชาติและประดิษฐ์. 1975 University of Michigan Press. N Jegad eesh S Titman. Returns to buy ผู้ชนะและผู้ขายขาดทุนผลกระทบสำหรับประสิทธิภาพของตลาดสต็อกวารสารการเงินฉบับที่ 48 ฉบับที่ 1 1993 หน้า 65 91. ระบบการซื้อขายสินค้าโภคภัณฑ์ใหม่และวิธีการ 1,987 John Wiley Sons. Fad, martingales และประสิทธิภาพของตลาด วารสารเศรษฐศาสตร์รายไตรมาสฉบับที่ 105 1990 หน้า 1 28.AW Lo AC MacKinlay เมื่อมีผลกำไรจากการลงทุนในตลาดหุ้นที่มากเกินไปรายงานการศึกษาทางการเงินเล่ม 3 1990 หน้า 175 206. Mahfoud G Mani การพยากรณ์ทางการเงินโดยใช้อัลกอริทึมทางพันธุกรรม Applied Artificial Intelligence Volume 10 ฉบับที่ 6 1996 หน้า 543 565.RN Markellos. Backtesting trading systems. Journal of Computational Intelligence in Finance ฉบับที่ 5 ฉบับที่ 6 1997 หน้า 5 10.L Menkhoff M Schlumberger ความสามารถในการทำกำไรของการวิเคราะห์ทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศ การวิเคราะห์ทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศทำกำไรวิธีการเขียนโปรแกรมทางพันธุกรรมใน C Dunis, B Ru การคาดการณ์ความก้าวหน้าทางการเงินของตลาดการเงินสำหรับอัตราแลกเปลี่ยนอัตราดอกเบี้ยและการจัดการสินทรัพย์ London, 1997. Oussaidene B Chopard O Pictet M Tomassini ความสามารถในการใช้งานและประสบการณ์การเขียนโปรแกรมทางพันธุกรรมแบบคู่ขนานและการประยุกต์ใช้ในการสร้างแบบจำลองการป้อนข้อมูล Parallel Computing Volume 23 ฉบับที่ 8 1997 หน้า 1183 1198.S Papadamou G Stephanides กล่องเครื่องมือ MATLAB ใหม่สำหรับการใช้คอมพิวเตอร์ช่วยในการซื้อขายทางเทคนิคแบบไดนามิกฉบับ 31 2003.S Papadamou S Tsopoglou การสำรวจความสามารถในการทำกำไรของระบบการวิเคราะห์ทางเทคนิคในต่างประเทศ ตลาดแลกเปลี่ยนเงินตราต่างประเทศการเงินการคลังฉบับที่ 27 ฉบับที่ 8 ปี 2544 หน้า 63 78.FM เวอร์เนอร์ D พันธบัตร R Thaler. Further หลักฐานเกี่ยวกับความไม่เพียงพอของนักลงทุนและการลงทุนในตลาดหุ้นตามฤดูกาลวารสารการเงินปีที่ 42 ฉบับที่ 3 1987 หน้า 557 581.D Whitley อัลกอริทึม Genitor และ ความดันการคัดเลือกทำไมการจัดลำดับการสืบพันธุ์ตามลำดับอันดับจึงเป็นสิ่งที่ดีที่สุดในรายงานการประชุมระหว่างประเทศฉบับที่สามเรื่องอัลกอริทึมทางพันธุกรรม , 1989, pp 116 121. แบบไขว้แบบ single-point point ซึ่งเกี่ยวข้องกับการตัดแบบสุ่มสองสายในตำแหน่งสตริงที่กำหนดแบบสุ่มเดียวกันและจากนั้นแลกส่วนท้าย Crossover ขยายการค้นหาโซลูชันใหม่ ๆ ในทิศทางที่กว้างไกลโครงสร้างของกองทุนนี้และ ตำแหน่งที่สำคัญในวันที่ 25 มิถุนายน พ. ศ. 2547 ได้แสดงไว้ในภาพต่อไปนี้ลิขสิทธิ์ 2007 Elsevier Ltd สงวนลิขสิทธิ์