الانتقال المتوسط وراثية خوارزمية

استخدام الخوارزميات الجينية للتنبؤ بالأسواق المالية اقترح بيرتون في كتابه، وهو المشي العشوائي وول ستريت، (1973) أن قرد معصوب العينين يلقي رمي السهام في الصحف صفحات مالية يمكن أن تختار محفظة من شأنها أن تفعل تماما وكذلك واحدة مختارة بعناية من قبل الخبراء. في حين أن التطور قد جعل الإنسان لا أكثر ذكاء في اختيار الأسهم، نظرية تشارلز داروينز فعالة جدا عندما تطبق بشكل مباشر أكثر. (لمساعدتك في اختيار الأسهم، تحقق من كيفية اختيار الأسهم). ما هي الخوارزميات الجينية الخوارزميات الجينية (غاس) هي طرق حل المشاكل (أو الاستدلال) التي تحاكي عملية التطور الطبيعي. على عكس الشبكات العصبية الاصطناعية (أنس)، المصممة لتعمل مثل الخلايا العصبية في الدماغ، وهذه الخوارزميات الاستفادة من مفاهيم الانتقاء الطبيعي لتحديد أفضل حل لمشكلة. ونتيجة لذلك، تستخدم غاس عادة كمحسنين يقومون بضبط المعلمات لتقليل أو زيادة بعض ردود الفعل قياس، والتي يمكن بعد ذلك استخدامها بشكل مستقل أو في بناء آن. في الأسواق المالية. الخوارزميات الجينية هي الأكثر شيوعا للعثور على أفضل القيم مزيج من المعلمات في قاعدة التداول، وأنها يمكن أن تكون مبنية في نماذج آن مصممة لاختيار الأسهم وتحديد الصفقات. وقد أظهرت العديد من الدراسات أن هذه الأساليب يمكن أن تكون فعالة، بما في ذلك الخوارزميات الجينية: تكوين تقييم الأسهم (2004) من قبل راما، وتطبيقات الخوارزميات الجينية في بيانات سوق الأسهم الأمثل التعدين (2004) من قبل لين، تساو وانغ، تشانغ. (لمعرفة المزيد عن أن، انظر الشبكات العصبية: التنبؤ الأرباح) كيف الخوارزميات الجينية العمل الخوارزميات الجينية يتم إنشاؤها رياضيا باستخدام ناقلات، والتي هي الكميات التي لها اتجاه وحجم. وتتمثل المعلمات لكل قاعدة تداول مع متجه أحادي البعد يمكن اعتباره كروموسوم في المصطلحات الوراثية. وفي الوقت نفسه، يمكن اعتبار القيم المستخدمة في كل معلمة من الجينات، والتي يتم تعديلها بعد ذلك باستخدام الانتقاء الطبيعي. على سبيل المثال، قد تنطوي قاعدة التداول على استخدام معلمات مثل المتوسط ​​المتحرك للتقارب-الاختلاف (ماسد). المتوسط ​​المتحرك الأسي (إما) و ستوشاستيك. وعندئذ تقوم الخوارزمية الجينية بإدخال القيم في هذه المعلمات بهدف تحقيق أقصى قدر من صافي الربح. مع مرور الوقت، يتم إدخال تغييرات صغيرة وتلك التي تجعل تأثير مرغوب فيه يتم الاحتفاظ بها للجيل القادم. هناك ثلاثة أنواع من العمليات الجينية التي يمكن بعد ذلك القيام بها: عمليات الانتقال تمثل الاستنساخ و كروس أوفر البيولوجي في علم الأحياء، حيث يأخذ الطفل على خصائص معينة من والديه. وتمثل الطفرات طفرة بيولوجية وتستخدم للحفاظ على التنوع الوراثي من جيل واحد من السكان إلى الجيل التالي من خلال إدخال تغييرات صغيرة عشوائية. الاختيارات هي المرحلة التي يتم فيها اختيار الجينومات الفردية من السكان من أجل التكاثر في وقت لاحق (إعادة التركيب أو كروس أوفر). ثم يتم استخدام هذه الشركات الثلاث في عملية من خمس خطوات: تهيئة السكان العشوائية، حيث كل كروموسوم هو n - طول، مع ن عدد المعلمات. وهذا يعني أنه يتم تحديد عدد عشوائي من المعلمات مع العناصر n لكل منهما. حدد الكروموسومات، أو المعلمات، التي تزيد من النتائج المرغوبة (صافي الربح المفترض). تطبيق طفرة أو مشغلي كروس إلى الآباء المختارين وتوليد نسل. ريكومبين ذرية والسكان الحاليين لتشكيل السكان الجدد مع المشغل اختيار. كرر الخطوات من 2 إلى 4. مع مرور الوقت، هذه العملية سوف يؤدي إلى الكروموسومات مواتية على نحو متزايد (أو، المعلمات) لاستخدامها في قاعدة التداول. ثم يتم إنهاء العملية عند استيفاء معايير التوقف، والتي يمكن أن تشمل وقت التشغيل، واللياقة البدنية، وعدد الأجيال أو معايير أخرى. (لمزيد من المعلومات عن ماسد، اقرأ تجارة ماكد الاختلاف). باستخدام الخوارزميات الوراثية في التداول في حين تستخدم الخوارزميات الجينية في المقام الأول من قبل التجار الكمي المؤسسي. يمكن للتجار الأفراد تسخير قوة الخوارزميات الجينية - دون درجة في الرياضيات المتقدمة - باستخدام العديد من حزم البرمجيات في السوق. وتتراوح هذه الحلول من حزم برامج مستقلة موجهة نحو الأسواق المالية إلى إضافات ميكروسوفت إكسيل التي يمكن أن تسهل المزيد من التحليل العملي. عند استخدام هذه التطبيقات، يمكن للتجار تعريف مجموعة من المعلمات التي يتم تحسينها بعد ذلك باستخدام خوارزمية جينية ومجموعة من البيانات التاريخية. يمكن لبعض التطبيقات تحسين المعلمات التي تستخدم والقيم بالنسبة لهم، في حين أن البعض الآخر يركز في المقام الأول على مجرد تحسين القيم لمجموعة معينة من المعلمات. (لمعرفة المزيد عن هذه الاستراتيجيات المستمدة من البرنامج، انظر قوة برنامج الصفقات.) نصائح التحسين الهامة والخدع منحنى المناسب (أكثر من المناسب)، وتصميم نظام التداول حول البيانات التاريخية بدلا من تحديد السلوك القابل للتكرار، يمثل خطرا محتملا للتجار باستخدام الخوارزميات الجينية. أي نظام تداول باستخدام غاس يجب أن يتم اختباره مسبقا على الورق قبل الاستخدام المباشر. اختيار المعلمات هو جزء مهم من العملية، ويجب على التجار البحث عن المعلمات التي ترتبط بالتغيرات في سعر الأمن معين. على سبيل المثال، جرب مؤشرات مختلفة ومعرفة ما إذا كان أي من هذه العوامل يبدو مرتبطا بتحولات السوق الرئيسية. الخوارزميات الجينية الخيطية هي طرق فريدة لحل المشاكل المعقدة عن طريق تسخير قوة الطبيعة. من خلال تطبيق هذه الأساليب لتوقع أسعار الأوراق المالية، يمكن للمتداولين تحسين قواعد التداول من خلال تحديد أفضل القيم لاستخدامها لكل معلمة لأمن معين. ومع ذلك، فإن هذه الخوارزميات ليست الكأس المقدسة، ويجب أن يكون التجار حذرين لاختيار المعلمات الصحيحة وليس منحنى تناسب (أكثر مناسبا). (لقراءة المزيد عن السوق، وتحقق من الاستماع إلى السوق، وليس لها النقود.) توليد تحركات متوسط ​​قواعد التداول في سوق العقود الآجلة للنفط مع الخوارزميات الجينية 1 كلية العلوم الإنسانية والإدارة الاقتصادية، جامعة الصين للعلوم الجيولوجية، بكين 100083، الصين 2 مختبر رئيسي لتقييم القدرة على تحمل الموارد والبيئة، وزارة الأراضي والموارد، بكين 100083، الصين 3 مختبر الموارد والإدارة البيئية، جامعة الصين للعلوم الجيولوجية، بكين 100083، الصين 4 معهد الصين للإصلاح الاقتصادي والتنمية، جامعة رينمين من الصين، بكين 100872، الصين تلقت 19 فبراير 2014 المنقحة 4 مايو 2014 قبلت 7 مايو 2014 نشرت 26 مايو 2014 المحرر الأكاديمي: وي تشن حقوق التأليف والنشر xa9 2014 ليجون وانغ وآخرون. هذه هي مقالة الوصول المفتوح الموزعة تحت رخصة المشاع الإبداعي. والتي تسمح بالاستخدام غير المقيد والتوزيع والاستنساخ في أي وسيط، بشرط ذكر العمل الأصلي بشكل صحيح. ويؤدي سوق العقود الآجلة للنفط الخام دورا حاسما في تمويل الطاقة. ولتحقيق عائد استثماري أكبر، يستخدم العلماء والتجار المؤشرات الفنية عند اختيار استراتيجيات التداول في سوق العقود الآجلة للنفط. في هذه الورقة، استخدم المؤلفون متوسط ​​أسعار العقود الآجلة للنفط مع الخوارزميات الجينية لتوليد قواعد تداول مربحة. قمنا بتعريف الأفراد بمجموعات مختلفة من أطوال الفترة وطرق الحساب كمتوسط ​​متوسط ​​لقواعد التداول والخوارزميات الجينية المستخدمة للبحث عن الأطوال المناسبة لفترات المتوسط ​​المتحرك وطرق الحساب المناسبة. استخدم المؤلفون أسعار النفط الخام اليومية لعقود نيمكس الآجلة من 1983 إلى 2013 لتقييم واختيار قواعد المتوسط ​​المتحرك. قمنا بمقارنة قواعد التداول المتولدة مع إستراتيجية الشراء والاستحواذ لتحديد ما إذا كانت قواعد التداول المتوسطة الناتجة يمكن أن تحصل على عوائد فائضة في سوق العقود الآجلة للنفط الخام. من خلال 420 التجارب، ونحن نحدد أن قواعد التداول ولدت تساعد التجار تحقيق الأرباح عندما يكون هناك تقلبات الأسعار واضحة. قواعد التداول ولدت يمكن تحقيق عوائد فائضة عندما يسقط السعر ويواجه تقلبات كبيرة، في حين أن استراتيجية ب هو أفضل عندما يزيد الأسعار أو على نحو سلس مع تقلبات قليلة. النتائج يمكن أن تساعد التجار اختيار استراتيجيات أفضل في ظروف مختلفة. 1- مقدمة الطاقة حيوية للتنمية الاقتصادية. فالأنشطة المنزلية، والإنتاج الصناعي، والاستثمارات في البنى الأساسية تستهلك الطاقة بشكل مباشر أو غير مباشر، لا سيما في البلدان النامية أو البلدان المتقدمة النمو. وقد حظيت القضايا المتعلقة بتجارة الطاقة 2، وكفاءة الطاقة 3، وسياسة الطاقة 4 x20136، واستهلاك الطاقة 7، وتمويل الطاقة 8 بأهمية أكبر في السنوات الأخيرة. ويشكل سوق العقود الآجلة للنفط الخام جزءا حاسما من تمويل الطاقة في نطاق سوق الطاقة العالمية. يستخدم التجار والباحثون أدوات التحليل الفني لتحديد قواعد التداول المكتسبة في الأسواق المالية. وبالتالي، فإن مؤشرات المتوسط ​​المتحرك تستخدم عادة في التحليل الفني لتحقيق عوائد أكبر. تحاول هذه الورقة الإجابة عما إذا كان المستثمر في الواقع يمكنه استخدام قواعد التداول الفني المتوسط ​​المتحرك للحصول على عوائد فائضة من خلال البحث عن قواعد تداول متوسطة مربحة مع خوارزميات جينية في سوق العقود الآجلة للنفط الخام. وتستخدم الخوارزميات الجينية على نطاق واسع في العلوم الاجتماعية 9. 10، وخاصة في بعض القضايا المعقدة حيث يصعب إجراء حسابات دقيقة. بل هو اتجاه لتطبيق الأساليب المادية أو الرياضية في الاقتصاد والطاقة والموارد 11 x201316. وقد طبق الباحثون الخوارزميات الجينية للتنبؤ بإنتاج الفحم - التلوث البيئي 17، الانتقاء الداخلي وسلوك اختيار السوق في السوق 18، توقعات الطلب على النفط الخام 19، التقليل من تكاليف الوقود والانبعاثات الغازية لتوليد الطاقة الكهربائية 20، و نظام تداول الفوركس 21. وفيما يتعلق بقضايا التحليل الفني المالي، يستخدم العلماء الخوارزميات الجينية للبحث عن أفضل قواعد التداول والمؤشرات الفنية المربحة عند اتخاذ القرارات الاستثمارية 22 x201325. يتم الجمع بين الخوارزميات الجينية مع أدوات أخرى مثل النموذج القائم على عامل 26، نظرية الرياضيات غامض 27، والشبكات العصبية 28. وهناك أيضا بعض الدراسات التي استخدمت الخوارزميات الجينية للتنبؤ بالاتجاهات السعرية في السوق المالية 29. 30 أو سعر صرف سوق الصرف الأجنبي 31. كما أن هناك عددا كبيرا من قواعد التداول الفنية والمؤشرات الفنية المتاحة في سوق العقود الآجلة للنفط الخام، فمن غير العملي لاستخدام حسابات إرغوديك أو بعض أساليب حساب دقيقة أخرى. ولذلك، فإن استخدام الخوارزميات الجينية هو طريقة مجدية لحل هذه المشكلة. وقد استخدمت مؤشرات المتوسط ​​المتحرك على نطاق واسع في دراسات أسواق الأسهم والأسواق الآجلة 32 x201337. يتم مقارنة متوسطين متحركين من أطوال مختلفة للتنبؤ بالاتجاهات السعرية في الأسواق المختلفة. المتوسطات المتحركة قصيرة أكثر حساسية لتغيرات الأسعار من تلك الطويلة. إذا كان متوسط ​​السعر المتحرك القصير أعلى من المتوسط ​​المتحرك لفترة طويلة، فإن المتداولين يعتقدون أن السعر سيرتفع ويأخذ مراكز بيع طويلة. عندما ينخفض ​​متوسط ​​السعر المتحرك القصير ويتعامل مع السعر الطويل، سيتم اتخاذ أنشطة التداول المقابلة 38. استخدم ألين وكارجالينن 39 خوارزميات جينية لتحديد قواعد التداول الفنية في أسواق الأوراق المالية مع الأسعار اليومية لل SX26P 500. وقد استخدم سعر المتوسط ​​المتحرك كأحد المؤشرات العديدة للقواعد الفنية. وتستخدم أيضا مؤشرات أخرى، مثل القيمة المتوسطة والقيمة القصوى، عند اتخاذ القرارات الاستثمارية. أجرى وانغ 40 بحثا مماثلا في الأسواق الفورية والعقود الآجلة باستخدام البرمجة الجينية، في حين كيف 41 طريقة AKX2019s تطبيقها على الأسهم كاب مختلفة لتحديد أهمية الحجم. وقد حدد ويليام، الذي يقارن بين القواعد الفنية المختلفة وقواعد الشبكة العصبية الاصطناعية (أن) المتعلقة بسوق النفط الآجلة للنفط، أن الشبكة هي أداة جيدة، مما يلقي ظلالا من الشك على كفاءة سوق النفط 38. تجمع كل هذه الدراسات بين مؤشرات المتوسط ​​المتحرك ومؤشرات أخرى لتوليد قواعد التداول. ومع ذلك، في هذه الورقة، ونحن نستخدم المتوسطات المتحركة لتوليد قواعد التداول، والتي قد تكون نهجا بسيطا وفعالا. يتأثر أداء قاعدة التداول المتوسط ​​المتحرك بشكل كبير بأطوال الفترة 42. ولذلك، فإن إيجاد أطوال مثلى للفترتين المذكورتين أعلاه يمثل قضية مركزية في أدبيات التحليل الفني. وقد تمت تجربة مجموعة متنوعة من الأطوال في المشاريع البحثية القائمة 43 x201348. في البحث الحالي، فإن معظم قواعد المتوسط ​​المتحرك تستخدم أطوال الفترة المتحركة الثابتة ومتوسط ​​الحركة الحسابية. ومع ذلك، فمن الأفضل استخدام أطوال متغيرة لفترات استثمارية مختلفة 49. 50 وهناك أنواع مختلفة من المتوسط ​​المتحرك طريقة الحساب التي يمكن استخدامها في التحليل الفني. في هذه الورقة، وبالنظر إلى أن الطول الأمثل لفترات المتوسط ​​المتحرك وأفضل طريقة حساب قد تختلف من مناسبة لأخرى نستخدم الخوارزميات الجينية لتحديد الطول المناسب لفترة المتوسط ​​المتحرك والطريقة المناسبة. يتم النظر في ستة أساليب حساب المتوسط ​​المتحرك في هذه الورقة والخوارزميات الجينية يمكن أن تساعدنا على معرفة أفضل طريقة وأطوال فترة مناسبة لظروف مختلفة. وبناء على ذلك، فإننا قادرون على تقديم أنسب قواعد التداول المتوسط ​​للمتداولين في سوق العقود الآجلة للنفط الخام. 2. البيانات والطريقة نستخدم الأسعار اليومية للعقد المستقبلي للنفط الخام 1 للفترة من 1983 إلى 2013 من بورصة نيويورك التجارية (مصدر البيانات: eia. govdnavpetpetx5fprix5ffutx5fs1x5fd. htm). نختار 20 مجموعة من البيانات عينة، كل تحتوي على 1000 الأسعار اليومية. في 1000 الأسعار اليومية، وتستخدم سلسلة السعر 500 يوم لتدريب قواعد التداول في كل جيل. وتستخدم أسعار 200 التالية لاختيار أفضل قاعدة تداول ولدت من جميع الأجيال، وتستخدم آخر 300 الأسعار اليومية لتحديد ما إذا كانت القاعدة ولدت يمكن الحصول على عوائد فائضة. المجموعة الأولى تبدأ في عام 1985، تنتهي المجموعة الأخيرة في عام 2013، ويتم اختيار كل سلسلة السعر 1000 يوم مع خطوة من 300. ويجب علينا أيضا أن ندرج 500 سعر أكثر يوميا قبل كل سلسلة عينة لحساب الأسعار المتحركة لفترة العينة. وهكذا، كل تجربة مستقلة تتطلب سلسلة السعر 1500 يوم. يتم عرض البيانات التي نستخدمها في الشكل 1. الشكل 1: اختيار البيانات. 2.2. الطريقة تتحرك متوسط ​​قواعد التداول لتسهيل عملية اتخاذ القرار للتجار بمقارنة متوسطين متحركين لفترات مختلفة. وبهذه الطريقة، يمكن للتجار التنبؤ اتجاه الأسعار من خلال تحليل تقلب أسعار المتوسط ​​المتحرك. هناك ستة مؤشرات متوسط ​​متحرك تستخدم عادة في التحليل الفني: المتوسط ​​المتحرك البسيط (سما)، المتوسط ​​المتحرك المرجح (وما)، المتوسط ​​المتحرك الأسي (إما)، المتوسط ​​المتحرك التكيفي (أما)، المتوسط ​​المتحرك للسعر النموذجي (تبما)، المتوسط ​​الثلاثي المتوسط ​​المتحرك (تما). وترد في الجدول 1 طرق حساب مؤشرات المتوسط ​​المتحرك. الجدول 1: تفاصيل مؤشرات المتوسط ​​المتحرك الستة. لاستخدام قاعدة التداول المتوسط ​​المتحرك في سوق العقود الآجلة للنفط، يجب تحديد ثلاثة معايير على الأقل لوضع استراتيجية التداول. وتشمل هذه المعلمات أطوال فترتين متوسطتين متحركتين واختيار أسلوب المتوسط ​​المتحرك من الأنواع الستة المذكورة أعلاه. وقد استخدم باحثون آخرون أطوال مختلفة من فترات العينة في دراستهم. في هذه الورقة، نستخدم الخوارزميات الجينية لتحديد الأطوال المناسبة لفترة المتوسط ​​المتحرك. ووفقا للأدبيات الموجودة، فإن الفترة الطويلة تتراوح عادة بين 20 و 200 يوم (عدد قليل جدا من الدراسات تستخدم فترات أطول من 200 يوم) 38. 39، والفترة القصيرة عموما لا تتجاوز 60 يوما. إذا كان متوسط ​​السعر الطويل أقل من السعر المتوسط ​​القصير، فإن المتداول سوف يتخذ موقفا طويلا. ويترتب على ذلك أنه في الحالات المعاكسة، ستعتمد استراتيجيات متعارضة. علما بأن تقلبات األسعار في سوق العقود اآلجلة، مع اتخاذ موقف طويل عندما يتجاوز متوسط ​​السعر القصير متوسط ​​السعر الطويل من خالل انحراف معياري واحد على األقل في الفترة القصيرة قد يكون قاعدة جيدة. وعلى العكس من ذلك، فإن اتخاذ موقف قصير قد يكون أيضا قاعدة جيدة. ولذلك، قمنا بتصميم القاعدتين في قواعد التداول الأولية لدينا. يتم عرض طرق الحساب المفصلة للمتوسطات المتحركة الستة في الشكل 2. الشكل 2: هيكل قواعد التداول. يتم استخدام سلسلة 17-ثنائي لتمثيل قاعدة تداول تمثل فيها السلسلة الفرعية السبعة الثنائية (من) (x2009x2009 طول الفترة الطويلة وهي طول الفترة القصيرة) وهي سلسلة فرعية ثنائية (هي من 1 إلى 64) تمثل السلسلة الفرعية الثلاثية طريقة حساب متوسط ​​الأسعار. في هذه الورقة، يتراوح النطاق من 5 إلى 132. ويحدد الثنائي الأخير ما إذا كان يجب تغيير استراتيجيات التداول فقط عندما يكون هناك أكثر من اختلاف واحد في الانحراف المعياري بين متوسطين متحركين للأسعار. يتم عرض هيكل قواعد التداول في الشكل 2. يتم حساب اللياقة البدنية لقاعدة التداول وفقا للربح يمكن أن تجعل في سوق العقود الآجلة للنفط الخام. لمقارنة قواعد التداول التي تم إنشاؤها مع ب (شراء وعقد، أخذ موقف طويل طوال الفترة) استراتيجية، وربح قاعدة ولدت هو معدل العائد الزائد الذي يتجاوز استراتيجية ب. طريقة الحساب من المراجع معدل العائد AKX2019s الأسلوب. الفرق هو أننا نسمح للتاجر أن يشغل منصبا لفترة طويلة، ونحن لا نحسب العائد كل يوم. النظر في هو معدل العائد الزائد لاستراتيجية موقف طويل، وهذا هو، مجموع عودة الموقف الطويل والموقف القصير. رف هو العائد الخالي من المخاطر عند الخروج من السوق، و رب هو معدل العائد لاستراتيجية ب في فترة العينة. آرإم هو نسبة هامش سوق العقود الآجلة. تشير المعلمة إلى معدل تكلفة المعاملة في اتجاه واحد. ويمثل سعر الافتتاح وسعر إغلاق المركز (طويل أو قصير)، على التوالي. هو سعر اليوم الأول في فترة كاملة وهو سعر اليوم الأخير. كما نتجاهل مقدار التغيير في الهامش اليومي والموعد النهائي للعقد، يمكن للتاجر الحفاظ على استراتيجيته من خلال اتخاذ مواقف جديدة عندما يقترب العقد من تاريخ إغلاقه. قيمة اللياقة البدنية هو عدد بين 0 و 2 محسوبة من خلال تحويل غير الخطية وفقا ل را. يتم تنفيذ حساب قيمة اللياقة البدنية، واختيار، كروس، وتحور الأفراد باستخدام أدوات غا من شيفيلد في منصة ماتلاب. في كل جيل، لتجنب الإفراط في تجهيز بيانات التدريب، وسيتم اختبار أفضل قاعدة التداول في كل جيل في فترة عينة اختيار (سلسلة السعر 200 يوم). فقط عندما تكون قيمة اللياقة البدنية أعلى من أفضل قيمة في الجيل الأخير أو عندما تكون القيمتان تقريبا (x3c 0.05) يمكن وضع علامة على قاعدة التداول على أنها الأفضل حتى الآن. في كل جيل، سيتم اختيار 90 في المئة من السكان لتشكيل جيل جديد، في حين أن 10 في المئة أخرى سيتم إنشاؤها عشوائيا. وبناء على ذلك، يمكن تلخيص تطور الأفراد باستخدام الخوارزميات الجينية في تجربة مستقلة واحدة على النحو التالي. الخطوة 1 (تهيئة السكان). إنشاء عشوائيا السكان الأولي من 20 قواعد التداول المتوسط ​​المتحرك. الخطوة 2 (تقييم الأفراد). يتم احتساب اللياقة البدنية لكل فرد في خطوة التقييم. يقوم البرنامج بحساب متوسط ​​الأسعار المتحركة في جدولين مختلفين خلال فترة التدريب باستخدام البيانات المساعدة ويحدد المواقف في كل يوم تداول. ثم يتم حساب معدل العائد الزائد لكل فرد. وأخيرا، يتم احتساب قيمة اللياقة البدنية لكل فرد وفقا لمعدل العائد الزائد. الخطوة 3 (تذكر أفضل قاعدة تداول). حدد القاعدة مع أعلى قيمة لياقة بدنية وتقييمه لفترة الاختيار للحصول على معدل عودته. إذا كان أفضل من أو لا أدنى من أفضل قاعدة الحالية، فإنه سيتم وضع علامة على أنها أفضل قاعدة التداول. إذا كان معدل العائد أقل من أو أقل من 0.05 أعلى من المعدل الحالي، فإننا نحتفظ بالقاعدة الحالية كأفضل واحد. الخطوة 4 (توليد عدد سكان جديد). اختيار 18 شخصا وفقا لقيم اللياقة البدنية، ويمكن اختيار نفس الشخص أكثر من مرة واحدة. لذلك، بشكل عشوائي إنشاء 2 قواعد التداول إضافية. مع احتمال 0.7، إجراء عملية إعادة التركيب لتوليد سكان جديد. وبناء على ذلك، سيتم تحوير جميع قواعد إعادة التركيب مع احتمال 0.05. الخطوة 5. العودة إلى الخطوة 2 وتكرار 50 مرة. الخطوة 6 (اختبار أفضل قاعدة التداول). اختبار أفضل قاعدة التداول كما حددها البرنامج أعلاه. سيؤدي ذلك إلى توليد معدل العائد وبيان ما إذا كانت الخوارزميات الجينية تساعد التجار على تحقيق عوائد فائضة خلال فترة العينة هذه. 3. النتائج لأننا، في هذه الورقة، لم ننظر في كمية الأصول، نفترض أن نسبة الهامش هي 0.05. في الواقع، كما المعلمة ليس لها تأثير كبير على نتائج التجربة لدينا، يتم زيادة معدل العائد عشرين مرة. مع 20 تجربة في كل فترة، يتم إجراء 420 تجربة مستقلة لتحديد قواعد التداول المتوسط ​​المتحرك مفيدة في سوق العقود الآجلة للنفط الخام. وتظهر األسعار التي استخدمناها في الفترات 21 في الشكل 3. الشكل 3: بيانات العينة. واستنادا إلى الدراسات السابقة 39. 40. 51 وعلى قرار اختيار قيمة وسيطة لهذه الدراسة، يتم تعيين معدل تكلفة المعاملة في 0.1x25 للتجارب 420. معدل العائد الخالي من المخاطر هو 2x25، والذي يعتمد بشكل رئيسي على سعر سندات الخزانة قصيرة الأجل 41. من التجارب 420، 226 كسب الأرباح. ومع متوسط ​​معدل العائد 1.446، يستنتج أن الخوارزميات الجينية يمكن أن تسهل التجار للحصول على عوائد في سوق العقود الآجلة للنفط الخام. ومع ذلك، فإن متوسط ​​متوسط ​​قواعد التداول التي تحددها الخوارزميات الجينية لا يؤدي إلى عوائد فائضة حيث أن هناك 8 فترات فقط أدت فيها قواعد التداول المتولدة إلى حصول المتداولين على عوائد فائضة. وبالنظر إلى أن أسعار العقود الآجلة للنفط الخام زادت عدة مرات خلال فترة العينة، فإننا نؤكد كذلك أن الخوارزميات الجينية مفيدة في الاستثمارات. ولفهم أفضل، نقسم الفترات 21 إلى 4 فئات وفقا للنتائج (انظر العمود الأخير من الجدول 2). الجدول 2: نتائج التجربة. الفئة 1 (الفترات 2 و 3 و 9). في هذه الفترات، قواعد التداول ولدت ليس فقط مساعدة التجار الحصول على عوائد ولكن أيضا مساعدتهم على تحقيق عوائد فائضة. وتولد قواعد التداول المتولدة أرباحا أكثر من استراتيجية ب في الفترتين 3 و 9. في الفترة 2، تفقد استراتيجية ب المال، في حين أن قواعد التداول المتولدة، كما تحددها الخوارزميات الجينية، تؤدي إلى أرباح. وهكذا، فإن قواعد التداول ولدت أعلى بكثير من استراتيجية ب في هذه الفترة. ومن السمات المشتركة لهذه الفترات الثلاث في الفئة 1 أن أسعار النفط الخام تراجعت خلال فترة الاختبار وشهدت تقلبات كبيرة. الفئة 2 (الفترات 5 و 8 و 12 و 16 و 18). فشلت قواعد التداول المتوسطة الناتجة عن تحقيق أرباح خلال هذه الفترات الخمس. ومع ذلك، فإن قواعد ولدت أداء أفضل من استراتيجية ب، لأنها خفضت بشكل كبير الخسائر. في هذه الفترات، انخفضت الأسعار بشكل سلس، حيث شهدت بعض التقلبات الصغيرة خلال العملية. الفئة 3 (الفترات 1 و 6 و 7 و 10 و 11 و 14 و 15 و 17). في هذه الثماني فترات بيانات العينة، تساعد الخوارزميات الجينية التجار على تحديد قواعد التداول المتوسط ​​المناسبة. ومع ذلك، فشل التجار في الحصول على عوائد فائضة. في حين أن الأسعار تزداد باطراد في هذه الفترات، وهناك أيضا بعض التقلبات الطفيفة، مما يسبب الخوارزميات الجينية لتكون أقل شأنا من استراتيجية ب في هذه الفترات. الفئة 4 (الفترات 4 و 13 و 19 و 20 و 21). توضح قواعد التداول الخوارزمية الجينية ضعف الأداء في هذه الفترات الخمس. في الفترة 21، استراتيجية ب تسفر عن عوائد سلبية. وتؤدي قواعدنا التجارية الجينية إلى خسائر أكثر حدة. تعتبر استراتيجية ب أعلى من قواعد التداول المتولدة في الفترات الأربع الأخرى حيث أن استراتيجية ب تسفر عن بعض العوائد. وعلى الرغم من عدم حدوث تغيرات كبيرة في مستوى األسعار في هذه الفترات، إال أن األسعار في الدول المتقلبة خالل الفترات الخمس. التغيرات الطفيفة في الأسعار مع عدم وجود اتجاهات واضحة تجعل قواعد التداول المتولدة عاجزة عن التنبؤ بتغيرات الأسعار وتوفير العوائد. نستخدم الخوارزميات الجينية للبحث عن قواعد التداول المتوسط ​​المتحرك الجيد للمتداولين في سوق النفط الخام. ويبين الجدول 3 الذي يبين متوسط ​​عدد كل فترة، أن قيمة الفترة الطويلة () لها علاقة وثيقة مع تقلب الأسعار في فترة العينة. يتم تعيين كبير في فترات مع تقلبات كبيرة ويتم اختيار صغيرة للفترات التي يكون السعر مستقرة نسبيا. الجدول 3: متوسط ​​قيمة كل فترة. توزيع هو مبين في الشكل 4. قيمة الاحتمال صغيرة جدا ولا تتبع التوزيع الطبيعي. هذا الرقم يمثل نموذجية ذيل الدهون مميزة مع تقرح 2.36. مقارنة مع التوزيع الطبيعي، وهناك المزيد من القيم الموجودة في ذيول التوزيع في نتائجنا. فقط في نصف التجارب 420، ما بين 70 يوما و 130 يوما. القيم لامركزية ونعتقد أنها أكثر علمية لاختيار أفضل أطوال الفترتين باستخدام عملية التدريب التي استخدمناها في هذه الورقة في الاستثمار الفعلي. الشكل 4: توزيع. ومن بين ستة طرق حسابية متوسطة الحساب، تستخدم آما و تما أكثر من الأربعة الأخرى (انظر الجدول 4)، حيث أن أكثر من نصف قواعد التداول المتوسط ​​المتولدة تستخدم آما أو تما. وهناك عدد قليل من قواعد التداول التي تم إنشاؤها تستخدم وما و إما، في حين أن تبما و سما، التي هي سهلة لحساب، وكثيرا ما تستخدم في بعض الفترات، مثل فترات 1 و 2 و 3 و 12 و 19 و 21. الجدول 4: حساب طرق تحريك متوسط ​​السعر في كل فترة. ويرتبط اختيار طريقة الحساب باتجاهات الأسعار وتقلبها. ويبين الشكل 5 أن تبما يستخدم 31 مرات في 60 تجربة مستقلة في الفترات 2 و 3 و 9 (الفئة 1). تختلف عن النسبة الإجمالية، تبما هي طريقة الحساب الأكثر شعبية عندما ينخفض ​​السعر خلال هذه الفترة و شهدت تقلبات كبيرة. أما هو الأسلوب الأكثر شعبية في الفئات الثلاث الأخرى. لا تستخدم أبدا إما في الفئات 1 و 4. ومع ذلك، فإنه يأخذ نسبة 24X25 في الفئة 2، أكثر من تما، سما، تبما، وما. ولا توجد فروق ذات دلالة إحصائية في نسب تما و سما. وفي الفئة 4، تتغير الأسعار دون وجود اتجاهات واضحة. لا توجد طريقة واحدة لها ميزة واضحة على الآخرين. الشكل 5: نسب الطرق في مختلف الفئات. نتائج 20 تجربة في نفس الفترة تشير إلى الاتساق العالي على القيمة سد (الجدول 5). عندما تتقلب الأسعار، كما هو الحال في الفترات 1 و 2 و 7 و 8 و 13 و 19 و 20، فإن عدم فتح المراكز حتى يتجاوز السعر المتوسط ​​الواحد آخر من خلال انحراف معياري واحد على الأقل هو الخيار الأفضل. وعندما يكون السعر مستقرا نسبيا، ينبغي اتخاذ قرار استثماري على الفور ما دام المتوسطان المتحركان يتقاطعان. الجدول 5: عدد قواعد التداول التي سد 1. 4. المناقشة تحاول هذه الورقة توليد متوسط ​​قواعد التداول المتحرك في سوق العقود الآجلة للنفط باستخدام الخوارزميات الجينية. وباختلاف الدراسات الأخرى، فإننا نستخدم المتوسطات المتحركة فقط كمؤشرات فنية لتحديد قواعد التداول المتوسط ​​المفيدة، دون أي أدوات أو مؤشرات تحليل تقني معقدة أخرى. إن تحريك متوسط ​​قواعد التداول من السهل على التجار أن يعملوا، وهم واضحون بصرف النظر عن الوضع. ولتحديد أفضل قواعد التداول في سوق العقود الآجلة للنفط الخام، نستخدم الخوارزميات الجينية لتحديد جميع المعاملات في قواعد التداول المتوسط ​​المتحرك بشكل حيوي بدلا من القيام بذلك بطريقة ثابتة. ووفقا لحساباتنا الجينية، فإن استخدام الخوارزميات الجينية لمعرفة أفضل أطوال الفترتين المتوسطتين المتحركتين ينادي لأن الأطوال المولدة تختلف عن بعضها البعض في اتجاهات الأسعار المختلفة. لا يمكن أن تتكيف قواعد التداول المتوسط ​​المتحرك الثابت مع أطوال الفترة الثابتة مع التقلبات المعقدة للسعر في فترات مختلفة. ومع ذلك، فإن عملية التدريب التي تأخذ السمات الديناميكية لتقلبات الأسعار في الاعتبار، يمكن أن تساعد التجار على معرفة أطوال مثلى للفترتين المتحركتين لقاعدة التداول. من بين ستة أساليب المتوسط ​​المتحرك، أما و تما هي الأكثر شعبية بين قواعد التداول ولدت وهاتين الطريقتين لديها القدرة على التكيف مع اتجاهات الأسعار. يمكن أن تغير آما أوزان السعر الحالي وفقا للتقلب في الأيام القليلة الماضية. وبما أن مؤشر تما هو متوسط ​​المتوسط ​​المتحرك المتوسط، فإنه يعكس على نحو أدق مستوى السعر. غير أن اختيار أفضل طريقة لحساب المتوسط ​​المتحرك يتأثر باتجاهات الأسعار. يمكن للتجار اختيار طرق أكثر علمية وفقا لاتجاهات الأسعار والتقلبات. استنادا إلى نتائج التجربة لدينا، تبما هو الخيار الأمثل عندما يختبر السعر عملية انخفاض مع تقلبات كبيرة، وتوليد المتوسط ​​المتحرك قواعد التداول المعلقة مقارنة مع استراتيجية ب في هذه المناسبات. على الرغم من أن إما يأخذ نسبة صغيرة جدا في إجمالي 420 التجارب، بل هو أيضا طريقة قابلة للتطبيق بخلاف أما عندما ينخفض ​​السعر بشكل سلس. وبالنسبة للفترات التي يظهر فيها تقلب الأسعار، لن يتم اتخاذ القرارات إلا بعد أن يتجاوز الفرق بين المتوسطين الانحراف المعياري لأسعار العينة القصيرة، مما يقلل من مخاطر المعاملات. ومع ذلك، فإن هذه الطريقة ليست مناسبة لفترة يكون فيها السعر مستقرا نسبيا. في هذه الحالات، قد يتردد التردد في بعض الأحيان أن يغيب التجار عن فرص الربح المحتملة. وبشكل عام، يمكن أن تساعد قواعد التداول المتوسط ​​المتحرك على مساعدة المتداولين على تحقيق أرباح على المدى الطويل. ومع ذلك، فإن الخوارزميات الجينية لا يمكن أن تضمن الحصول على إيرادات إضافية في كل فترة لأنها مفيدة فقط في الحصول على عوائد فائضة في حالات خاصة. وتظهر قواعد التداول المتوسط ​​المتولدة أداء متميزا عندما ينخفض ​​سعر العقود الآجلة للنفط الخام مع تقلبات كبيرة. ستخسر استراتيجية ب في هذه المناسبات، في حين أن قواعد التداول المتولدة يمكن أن تساعد التجار على توقع انخفاض السعر وتقليل الخسائر. قواعد التداول لدينا أيضا عوائد إيجابية خلال التقلبات التي تغير في الوقت المناسب من المواقف. عندما ينخفض ​​السعر بسلاسة مع تقلبات قليلة في العملية، قواعد التداول المتولدة يمكن أن تسفر عن عوائد فائضة مقارنة باستراتيجية ب. على الرغم من أن الخوارزميات الجينية لا يمكن أن تساعد التجار على الحصول على عوائد إيجابية خلال هذه الفترات، يمكن للخوارزميات مساعدة التجار على تقليل الخسارة عن طريق تغيير المواقف مع تغير اتجاهات الأسعار. عندما يكون السعر مستقرا أو يرتفع بشكل سلس، فإن القواعد التي تم إنشاؤها قد تولد عوائد. ومع ذلك، فإنها لا يمكن أن تولد عوائد أكثر من استراتيجية ب. ولا يمكن لعائدات محدودة تحمل تكاليف المعاملات. عندما ينخفض ​​السعر، قد تكون القواعد التي تم إنشاؤها متفوقة على استراتيجية ب. الخوارزميات الجينية يمكن أيضا أن تساعد التجار تحقيق أرباح في عملية ارتفاع الأسعار مع تقلبات صغيرة. في هذه الفترات، استراتيجية ب أفضل من قواعد التداول ولدت لأن المعاملات في هذه العملية تولد تكاليف المعاملات وقد تفوت بعض فرص الربح. إن قواعد التداول المتوسطة المتحررة الناتجة عن الأداء الضعيف قد تكون ضعيفة إذا لم تكن هناك اتجاهات ملحوظة في تغير الأسعار. وفي هذه الفترات، لا يمكن لمؤشرات المتوسط ​​المتحرك أن تجد فرصا للربح لأن التقلب ضئيل جدا. وتتأخر اتجاهات متوسط ​​السعر في اتجاهات اتجاهات الأسعار. لذلك، عندما يتم اتخاذ قرار، يجب أن يتغير اتجاه الأسعار أيضا، ونتيجة لذلك، ليس هناك شك في أن التاجر سوف تعاني من العجز. وباستخدام الخوارزميات الجينية، يساعد متوسط ​​قواعد التداول المتحركة التجار على تحقيق عوائد في سوق العقود الآجلة الفعلية. كما حددنا أفضل أطوال الفترتين فيما يتعلق بالمتوسط ​​المتحرك للقواعد ونوصي باستخدام طريقة حساب المتوسط ​​المتحرك لسوق العقود الآجلة للنفط الخام. إن قواعد التداول الفني مع مؤشرات المتوسط ​​المتحرك فقط الناتجة عن الخوارزميات الجينية لا تظهر أي مزايا كافية مقارنة باستراتيجية ب لأن السعر الإجمالي قد ارتفع خلال فترة الثلاثين عاما. ومع ذلك، فإن إنشاء قواعد تداول متحرك مفيدة للمتداولين في ظل ظروف معينة، خاصة عندما تكون هناك تغييرات كبيرة في الأسعار. في هذه الورقة، نبحث عن أفضل قواعد التداول وفقا لمعدل العائد لكل واحد بغض النظر عن ظروف الأصول وفائدة مفتوحة، مما يثبت أن أكبر تقييد للدراسة. ولتحسين دقة النتائج، يوصى بإجراء محاكاة مع الأصول الفعلية. وبناء على ذلك، سنضطلع بهذا المسعى في بحث لاحق. 5. ملاحظات ختامية نستنتج أن الخوارزميات الجينية تحدد قواعد تقنية أفضل تسمح للمتداولين بتحقيق الأرباح من استثماراتهم. في حين ليس لدينا دليل لإثبات أن قواعد التداول ولدت يؤدي إلى عوائد أكبر مما تفعله استراتيجية ب، استنتاجنا يتسق مع فرضية السوق كفاءة. في حين أن قواعد التداول المتولدة تسهل التجار في تحقيق عائدات زائدة فيما يتعلق بأنشطتهم الاستثمارية في ظل ظروف محددة، فإنها لا تستطيع، على الأقل باستخدام المتوسط ​​المتحرك قواعد التداول، وضمان عوائد فائضة أكثر على المدى الطويل من استراتيجية ب. وفيما يتعلق باختيار فترتين، فإن اكتشاف أطوال مثلى باستخدام الخوارزميات الجينية يساعد على تحقيق المزيد من الأرباح. ومن بين مؤشرات المتوسط ​​المتحرك الستة، تعد آما و تما أكثر الطرق الحسابية المتوسطية شعبية في سوق العقود الآجلة للنفط الخام في المجموع، في حين أن تبما هي طريقة بارزة في بعض المناسبات. عندما تظهر أسعار النفط الخام تقلبات ملحوظة، ينصح المتداول بالانتظار حتى يتجاوز الفرق بين المتوسطين المتحركين الانحراف المعياري للفترة القصيرة والعكس بالعكس. واستنادا إلى التحليل الوارد أعلاه، من الأفضل استخدام إستراتيجية استخدام المواد البترولية عند زيادة الأسعار أو استقرارها. ومع ذلك، فإن إنشاء قواعد التداول المتوسط ​​المتحرك أفضل من استراتيجية ب عندما ينخفض ​​سعر العقود الآجلة للنفط الخام. وفيما يتعلق بطريقة حساب المتوسط ​​المتحرك، فإنه يدعو لاستخدام تبما عندما ينخفض ​​السعر مع تقلبات كبيرة و أما عندما ينخفض ​​السعر بشكل سلس، على الرغم من تبما ليست طريقة شعبية بشكل عام. نقترح قواعد تداول متوسط ​​متحرك متغيرة تتولد عن عمليات التدريب بدلا من قواعد التداول المتوسط ​​المتحرك الثابت في أسواق العقود الآجلة للنفط الخام. تضارب المصالح يعلن المؤلفون أنه لا يوجد تضارب في المصالح فيما يتعلق بنشر هذه الورقة. وقد تم تصميم أوثورسكس 2019 تصميم نموذج المساهمة من قبل هيزونغ آن، لي وانغ، و شوان هوانغ، تم تطوير البرامج والتجارب الأداء من قبل زياوجيا ليو و ليجون وانغ، تم تحليل البيانات من قبل هيزونغ آن، شياو هوا شيا، و شياوقي الشمس، تم تكوين ورقة من قبل ليون وانغ، شياو هوا شيا، و شياوجيا ليو، واسترجاع الأدب وتحرير المخطوطات التي قام بها زياوجيا ليو، شوان هوانغ، وشياوقي الشمس. Acknowledgements وأيد هذا البحث جزئيا من قبل نسف (الصين) (منحة رقم 71173199) والعلوم الإنسانية والعلوم الاجتماعية مشروع التخطيط تحت وزارة التربية والتعليم من جمهورية الصين الشعبية (منحة رقم 10YJA630001). ويود المؤلفون أن يعترفوا باقتراحات قيمة من وي فانغ، و زياوليانغ جيا، و كيير آن. المراجع Z. M. تشن و G. Q. تشن، متطلبات الطاقة القائمة على الطلب من الاقتصاد العالمي 2007: محاكاة شبكة المدخلات والمخرجات متعددة المناطق، والاتصالات في العلوم غير الخطية والمحاكاة العددية. المجلد. 18، نو. 7، ب. 17571774، 2013. فيو أت بابليشر فيو أت غوغل سشولار G. وو، L.-C. ليو، و Y.-M. وي، مقارنة بين مخاطر استيراد النفط في الصين 27: النتائج المستندة إلى نظرية المحفظة ونهج مؤشر التنويع، سياسة الطاقة. المجلد. 37، نو. 9، ب. 35573565، 2009. فيو أت بابليشر فيو أت غوغل سشولار عرض في سكوبوس ش شيا، غ هوانغ، غو تشن، B. تشانغ، زم تشن، و Q. يانغ، أمن الطاقة والكفاءة وانبعاثات الكربون للصناعة الصينية، سياسة الطاقة . المجلد. 39، نو. 6، ب. 35203528، 2011. فيو أت بابليشر فيو أت غوغل سشولار فيو أت سكوبوس X. H. شيا أند G. Q. تشن، إنيرجي ديتيمنت إن شينيز إندوستري: كوست كوستومر أوف ستراتيجيك ستراتيجيس أند أوبديت أوبتيونس، إنيرجي بوليسي. المجلد. 45، ب. 449458، 2012. فيو أت بابليشر فيو أت غوغل سشولار N. كوي، Y. لي، أند W. فانغ، ديسين أند إمباكت إستيماتاتيون أوف a ريفورم بروغرام أوف Chinax27s تاكس أند فيسي بوليسي فور لو-غريد أويل ريسورسز ريسورسز ، العلوم البترولية. المجلد. 8، نو. 4، ب. 515526، 2011. فيو أت بابليشر فيو أت غوغل سشولار فيو أت سكوبوس Y. L. لي، N. كوي، أند D. Y. بان، إكونوميك أند سوسيال إفكتس أناليسيس أوف مينيرال ديفيلوبمنت إن تشاينا أند بوليسي إمباكتيس، ريسورس بوليسي. المجلد. 38, pp. 448457, 2013. View at Publisher View at Google Scholar Z. M. Chen and G. Q. Chen, An overview of energy consumption of the globalized world economy, Energy Policy . المجلد. 39, no. 10, pp. 59205928, 2011. View at Publisher View at Google Scholar View at Scopus N. Nomikos and K. Andriosopoulos, Modelling energy spot prices: empirical evidence from NYMEX, Energy Economics . المجلد. 34, no. 4, pp. 11531169, 2012. View at Publisher View at Google Scholar G. B. Ning, Z. J. Zhen, P. Wang, Y. Li, and H. X. Yin, Economic analysis on value chain of taxi fleet with battery-swapping mode using multiobjective genetic algorithm, Mathematical Problems in Engineering . المجلد. 2012, Article ID 175912, 15 pages, 2012. View at Publisher View at Google Scholar S. Chai, Y. B. Li, J. Wang, and C. Wu, A genetic algorithm for task scheduling on NoC using FDH cross efficiency, Mathematical Problems in Engineering . المجلد. 2013, Article ID 708495, 16 pages, 2013. View at Publisher View at Google Scholar G. Q. Chen and B. Chen, Resource analysis of the Chinese society 1980x20132002 based on exergy. Part 1: fossil fuels and energy minerals, Energy Policy . المجلد. 35, no. 4, pp. 20382050, 2007. View at Publisher View at Google Scholar View at Scopus Z. Chen, G. Chen, X. Xia, and S. Xu, Global network of embodied water flow by systems input-output simulation, Frontiers of Earth Science . المجلد. 6, no. 3, pp. 331344, 2012. View at Publisher View at Google Scholar Z. M. Chen and G. Q. Chen, Embodied carbon dioxide emission at supra-national scale: a coalition analysis for G7, BRIC, and the rest of the world, Energy Policy . المجلد. 39, no. 5, pp. 28992909, 2011. View at Publisher View at Google Scholar View at Scopus H. Z. An, X.-Y. Gao, W. Fang, X. Huang, and Y. H. Ding, The role of fluctuating modes of autocorrelation in crude oil prices, Physica A . المجلد. 393, pp. 382390, 2014. View at Publisher View at Google Scholar X.-Y. Gao, H.-Z. An, H.-H. Liu, and Y.-H. Ding, Analysis on the topological properties of the linkage complex network between crude oil future price and spot price, Acta Physica Sinica . المجلد. 60, no. 6, Article ID 068902, 2011. View at Google Scholar View at Scopus X.-Y. Gao, H. Z. An, and W. Fang, Research on fluctuation of bivariate correlation of time series based on complex networks theory, Acta Physica Sinica . المجلد. 61، نو. 9, Article ID 098902, 2012. View at Publisher View at Google Scholar S. Yu and Y.-M. Wei, Prediction of Chinax27s coal production-environmental pollution based on a hybrid genetic algorithm-system dynamics model, Energy Policy . المجلد. 42, pp. 521529, 2012. View at Publisher View at Google Scholar View at Scopus S. Geisendorf, Internal selection and market selection in economic genetic algorithms, Journal of Evolutionary Economics . المجلد. 21، نو. 5, pp. 817841, 2011. View at Publisher View at Google Scholar View at Scopus R. Tehrani and F. Khodayar, A hybrid optimized artificial intelligent model to forecast crude oil using genetic algorithm, African Journal of Business Management . المجلد. 5, pp. 1313013135, 2011. View at Google Scholar A. M. Elaiw, X. Xia, and A. M. Shehata, Minimization of fuel costs and gaseous emissions of electric power generation by model predictive control, Mathematical Problems in Engineering . المجلد. 2013, Article ID 906958, 15 pages, 2013. View at Publisher View at Google Scholar View at MathSciNet L. Mendes, P. Godinho, and J. Dias, A Forex trading system based on a genetic algorithm, Journal of Heuristics . المجلد. 18, no. 4, pp. 627656, 2012. View at Publisher View at Google Scholar M. C. Roberts, Technical analysis and genetic programming: constructing and testing a commodity portfolio, Journal of Futures Markets . المجلد. 25, no. 7, pp. 643660, 2005. View at Publisher View at Google Scholar View at Scopus J.-Y. Potvin, P. Soriano, and V. Maxime, Generating trading rules on the stock markets with genetic programming, Computers and Operations Research . المجلد. 31, no. 7, pp. 10331047, 2004. View at Publisher View at Google Scholar View at Scopus A. Esfahanipour and S. Mousavi, A genetic programming model to generate risk-adjusted technical trading rules in stock markets, Expert Systems with Applications . المجلد. 38, no. 7, pp. 84388445, 2011. View at Publisher View at Google Scholar View at Scopus M. A. H. Dempster, T. W. Payne, Y. Romahi, and G. W. P. Thompson, Computational learning techniques for intraday FX trading using popular technical indicators, IEEE Transactions on Neural Networks . المجلد. 12, no. 4, pp. 744754, 2001. View at Publisher View at Google Scholar View at Scopus T. Nakashima, Y. Yokota, Y. Shoji, and H. Ishibuchi, A genetic approach to the design of autonomous agents for futures trading, Artificial Life and Robotics . المجلد. 11, no. 2, pp. 145148, 2007. View at Publisher View at Google Scholar View at Scopus A. Ghandar, Z. Michalewicz, M. Schmidt, T.-D. To, and R. Zurbrugg, Computational intelligence for evolving trading rules, IEEE Transactions on Evolutionary Computation . المجلد. 13, no. 1, pp. 7186, 2009. View at Publisher View at Google Scholar View at Scopus W. L. Tung and C. Quek, Financial volatility trading using a self-organising neural-fuzzy semantic network and option straddle-based approach, Expert Systems with Applications . المجلد. 38, no. 5, pp. 46684688, 2011. View at Publisher View at Google Scholar View at Scopus C.-H. Cheng, T.-L. Chen, and L.-Y. Wei, A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting, Information Sciences . المجلد. 180, no. 9, pp. 16101629, 2010. View at Publisher View at Google Scholar View at Scopus P.-C. Chang, C.-Y. Fan, and J.-L. Lin, Trend discovery in financial time series data using a case based fuzzy decision tree, Expert Systems with Applications . المجلد. 38, no. 5, pp. 60706080, 2011. View at Publisher View at Google Scholar View at Scopus G. A. Vasilakis, K. A. Theofilatos, E. F. Georgopoulos, A. Karathanasopoulos, and S. D. Likothanassis, A genetic programming approach for EURUSD exchange rate forecasting and trading, Computational Economics . المجلد. 42, no. 4, pp. 415431, 2013. View at Publisher View at Google Scholar I. A. Boboc and M. C. Dinica, An algorithm for testing the efficient market hypothesis, PLoS ONE . المجلد. 8، نو. 10, Article ID e78177, 2013. View at Publisher View at Google Scholar W. Cheung, K. S. K. Lam, and H. F. Yeung, Intertemporal profitability and the stability of technical analysis: evidences from the Hong Kong stock exchange, Applied Economics . المجلد. 43, no. 15, pp. 19451963, 2011. View at Publisher View at Google Scholar View at Scopus H. Dewachter and M. Lyrio, The economic value of technical trading rules: a nonparametric utility-based approach, International Journal of Finance and Economics . المجلد. 10، نو. 1, pp. 4162, 2005. View at Publisher View at Google Scholar View at Scopus A. Fernxe1ndez-Pxe9rez, F. Fernxe1ndez-Rodrxedguez, and S. Sosvilla-Rivero, Exploiting trends in the foreign exchange markets, Applied Economics Letters . المجلد. 19، نو. 6, pp. 591597, 2012. View at Publisher View at Google Scholar View at Scopus M. Metghalchia, J. Marcucci, and Y.-H. Chang, Are moving average trading rules profitable Evidence from the European stock markets, Applied Economics . المجلد. 44, no. 12, pp. 15391559, 2012. View at Publisher View at Google Scholar View at Scopus C. J. Neely, P. A. Weller, and J. M. Ulrich, The adaptive markets hypothesis: evidence from the foreign exchange market, Journal of Financial and Quantitative Analysis . المجلد. 44, no. 2, pp. 467488, 2009. View at Publisher View at Google Scholar View at Scopus W. E. Shambora and R. Rossiter, Are there exploitable inefficiencies in the futures market for oil Energy Economics . المجلد. 29, no. 1, pp. 1827, 2007. View at Publisher View at Google Scholar View at Scopus F. Allen and R. Karjalainen, Using genetic algorithms to find technical trading rules, Journal of Financial Economics . المجلد. 51، نو. 2, pp. 245271, 1999. View at Google Scholar View at Scopus J. Wang, Trading and hedging in Sx26P 500 spot and futures markets using genetic programming, Journal of Futures Markets . المجلد. 20، نو. 10, pp. 911942, 2000. View at Google Scholar View at Scopus J. How, M. Ling, and P. Verhoeven, Does size matter A genetic programming approach to technical trading, Quantitative Finance . المجلد. 10، نو. 2, pp. 131140, 2010. View at Publisher View at Google Scholar View at MathSciNet F. Wang, P. L. H. Yu, and D. W. Cheung, Combining technical trading rules using particle swarm optimization, Expert Systems with Applications . المجلد. 41, no. 6, pp. 30163026, 2014. View at Publisher View at Google Scholar J. Andrada-Fxe9lix and F. Fernxe1ndez-Rodrxedguez, Improving moving average trading rules with boosting and statistical learning methods, Journal of Forecasting . المجلد. 27, no. 5, pp. 433449, 2008. View at Publisher View at Google Scholar View at MathSciNet View at Scopus T. T.-L. Chong and W.-K. Ng, Technical analysis and the London stock exchange: testing the MACD and RSI rules using the FT30, Applied Economics Letters . المجلد. 15, no. 14, pp. 11111114, 2008. View at Publisher View at Google Scholar View at Scopus I. Cialenco and A. Protopapadakis, Do technical trading profits remain in the foreign exchange market Evidence from 14 currencies, Journal of International Financial Markets, Institutions and Money . المجلد. 21، نو. 2, pp. 176206, 2011. View at Publisher View at Google Scholar View at Scopus A. E. Milionis and E. Papanagiotou, Decomposing the predictive performance of the moving average trading rule of technical analysis: the contribution of linear and non-linear dependencies in stock returns, Journal of Applied Statistics . المجلد. 40, no. 11, pp. 24802494, 2013. View at Publisher View at Google Scholar Y. S. Ni, J. T. Lee, and Y. C. Liao, Do variable length moving average trading rules matter during a financial crisis period Applied Economics Letters . المجلد. 20، نو. 2, pp. 135141, 2013. View at Publisher View at Google Scholar V. Pavlov and S. Hurn, Testing the profitability of moving-average rules as a portfolio selection strategy, Pacific-Basin Finance Journal . المجلد. 20، نو. 5, pp. 825842, 2012. View at Publisher View at Google Scholar C. Chiarella, X.-Z. He, and C. Hommes, A dynamic analysis of moving average rules, Journal of Economic Dynamics x26 Control . المجلد. 30, no. 9-10, pp. 17291753, 2006. View at Publisher View at Google Scholar View at Zentralblatt MATH View at MathSciNet X.-Z. He and M. Zheng, Dynamics of moving average rules in a continuous-time financial market model, Journal of Economic Behavior and Organization . المجلد. 76, no. 3, pp. 615634, 2010. View at Publisher View at Google Scholar View at Scopus C. Neely, P. Weller, and R. Dittmar, Is Technical Analysis in the Foreign Exchange Market Profitable A Genetic Programming Approach . Cambridge University Press, 1997.I need to keep track of the last 7 days work hours in a flat file reading loop. يتم استخدامها لقياس التعب من قوائم العمل. الآن لدي شيء يعمل، ولكن يبدو مطول نوعا ما و إم غير متأكد ما إذا كان هناك نمط أن أكثر وضوحا. حاليا، لدي فئة جافا مع صفيف ثابت لعقد البيانات x أيام الماضية، ثم كما قرأت من خلال الملف، أنا ختم العنصر الأول ونقل 6 أخرى (لمدة أسبوع المتداول) مرة أخرى. تتم معالجة هذه المصفوفة الثابتة في أسلوبها الخاص أي. سؤالي: هل هذا هو نهج تصميم معقول، أو هل هناك شيء واضح بشكل واضح وبسيط للقيام بهذه المهمة شكرا رفاق طلب أغسطس 30 11 في 14:33 شكرا الكثير من الرجال: I39ve حصلت على الرسالة: استخدام كائن على مستوى عال واستغلال الطرق ذات الصلة أو العازلة دائرية. إجابات عظيمة، كل منهم. عندما تفكر في ذلك، كنت دائما بحاجة إلى الوصول إلى مجموعة كاملة حتى تتمكن من التخلص من هذا الإدخال الأول - الذي كنت wasn39t 100 متأكد من بلدي. I39m بالارتياح بأنني hadn39t غاب عن 1 بطانة وكان أساسا على معقول، إن لم يكن كفاءة وتتبع المسار هذا هو ما أحب حول هذا الموقع: ذات جودة عالية، والأجوبة ذات الصلة من الناس الذين يعرفون شت بهم. نداش Pete855217 30 أغسطس 11 في 15:05 لماذا يتم التهيئة الأولية الجري الإجمالي إلى نول ما هو نوعه حيث يتم الإعلان أنه سيكون جيدا إذا وضعت بعض عينات التعليمات البرمجية التي تشبه رمز جافا الفعلي. الانتقال، النقد بلدي سيكون ما يلي: وظيفتك لا أكثر من اللازم. يجب أن تكون الدالة أو الطريقة متماسكة. ومن الأنسب أن يفعلوا شيئا واحدا وشيئا واحدا فقط. والأسوأ من ذلك، ما يحدث في حلقة الخاص بك عندما x 5 يمكنك نسخ تشغيلTotal6 في تشغيل إجمالي 5. ولكن بعد ذلك لديك نسختين من نفس القيمة في موقف 5 و 6. في التصميم الخاص بك، وظيفة موفسوفلز العناصر في صفيف الخاص بك بحساب الاشياء يطبع الإجمالي إلى خطأ قياسي إرجاع المجموع أنه لا أكثر من اللازم. اقتراحي الأول ليس نقل الأشياء في المصفوفة. بدلا من ذلك، تنفيذ المخزن المؤقت دائري واستخدامه بدلا من الصفيف. فإنه سيتم تبسيط التصميم الخاص بك. اقتراحي الثاني هو تقسيم الأمور إلى وظائف متماسكة: لديها بنية بيانات (المخزن المؤقت الدائري) تسمح لك بالإضافة إليها (والتي تسقط أقدم إدخال كلما وصلت إلى قدرتها). إنتيراتور ديك وظيفة التي تحسب المجموع على التكرار (كنت لا تهتم إذا كنت حساب المجموع من مصفوفة، قائمة أو دائري بوفر.) لا يطلق عليه المجموع. استدعاء المبلغ، وهو ما كنت الحوسبة. هذا ما معرف تفعل :) that39s معلومات كبيرة لويس، ولكن تذكر هذه الوظيفة هو جزء صغير من وظائف الطبقة، وسيكون من المبالغة لإضافة الكثير من التعليمات البرمجية لجعلها مثالية. كنت صحيحا من الناحية الفنية، وأنا أفهم رمز بلدي لا 39too much39 ولكن في نفس الوقت أحيانا it39s أفضل أن يخطئ على جانب أصغر، رمز أكثر وضوحا من الذهاب للكمال. نظرا لمهارات جافا، حتى جعل الكود الكاذب الذي تصفه تجميع سيكون لي ضربة ميزانيتي على هذا ()، ولكن شكرا لوصف واضح. نداش Pete855217 31 أغسطس 11 في 02:23 همم، it39s ليس عن الكمال، ولكن عن الممارسات الصناعية المعمول بها التي نعرفها على مدى 3 عقود الماضية. التعليمات البرمجية النظيفة هي دائما واحدة التي يتم تقسيمها. لدينا عقود من الأدلة تشير إلى أن هذا هو الطريق للذهاب في الحالة العامة (من حيث الكفاءة من حيث التكلفة، والحد من العيب، والفهم، وما إلى ذلك). إلا إذا كان رمي بعيدا رمز لنوع لمرة واحدة من الشيء. ليس من المكلف أبدا القيام بذلك عندما يبدأ المرء أي تحليل المشكلة بهذه الطريقة. ترميز 101، وكسر المشكلة ويتبع التعليمات البرمجية، لا مبالغة ولا صعبة) نداش luis. espinal 31 أغسطس 11 في 15:55 مهمتك بسيطة جدا و أبروتش كنت قد اعتمدت هو بالتأكيد جيدة لهذا المنصب. ومع ذلك، إذا كنت ترغب في استخدام تصميم أفضل، يجب التخلص من كل هذا العدد حركة يمكنك استخدام أفضل طابور فيفو والاستفادة من وسائل الدفع والبوب ​​على نحو جيد الطريقة التي رمز لن تعكس أي حركة البيانات، فقط المنطقين الإجراءات من البيانات الجديدة وإزالة البيانات أقدم من 7 أيام. answered Aug 30 11 at 14:49