Intraday Hochfrequenz Forex Trading Mit Adaptive Neuro Fuzzy Inferenz Systeme

Intraday-Hochfrequenz-FX-Handel mit adaptiven Neuro-Fuzzy-Inferenz-Systemen Abdalla Kablan und Wing Lon Ng Abstract: Dieses Papier stellt ein adaptives Neuro-Fuzzy-Inferenzsystem (ANFIS) für den Finanzhandel vor, in dem die Preisbewegungen von Trainingsdaten aus Intraday vorhersagen können Zeigert die mit Hochfrequenz abgetasteten Daten. Die empirischen Daten, die in unserer Untersuchung verwendet werden, sind fünfminütige Mittelpreis-Zeitreihen von den Devisenmärkten. Die ANFIS-Optimierung beinhaltet das Backtesting sowie die Variation der Anzahl der Epochen und wird mit einer neuen Methode zur Erfassung von Volatilität unter Verwendung eines ereignisgesteuerten Ansatzes kombiniert, der Richtungsänderungen innerhalb vorgegebener Schwellen berücksichtigt. Die Ergebnisse zeigen, dass das vorgeschlagene Modell die Standardstrategien wie Buy-and-Hold oder lineare Prognose übertrifft. Downloads: (externer Link) indersciencelink. phpid38529 (texthtml) Der Zugriff auf den Volltext ist auf Abonnenten beschränkt. Verwandte Werke: Dieser Artikel kann an anderer Stelle in EconPapers verfügbar sein: Suche nach Artikeln mit demselben Titel. Export-Referenz: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Weitere Artikel in International Journal of Financial Markets und Derivate von Inderscience Enterprises Ltd Serie Daten von Darren Simpson () gepflegt. Diese Seite ist Teil von RePEc und alle hier angezeigten Daten sind Bestandteil des RePEc-Datensatzes. Ist Ihre Arbeit fehlt bei RePEc Hier ist, wie man beitragen kann. Fragen oder Probleme Überprüfen Sie die EconPapers FAQ oder senden Sie eine E-Mail an. Die Verwendung von dynamisch optimierten High Frequency Moving Average Strategies für Intraday Trading Dieses Papier ist motiviert durch den Aspekt der Unsicherheit in der finanziellen Entscheidungsfindung und wie künstliche Intelligenz und Soft Computing, mit seiner Ungewissheit Reduzierende Aspekte können für algorithmische Handelsanwendungen verwendet werden, die in Hochfrequenz handeln. Dieses Papier präsentiert ein optimiertes Hochfrequenz-Handelssystem, das mit verschiedenen gleitenden Durchschnitten kombiniert wurde, um ein Hybrid-System zu produzieren, das Handelssysteme übertrifft, die sich ausschließlich auf bewegte Mittelwerte verlassen. Das Papier optimiert ein adaptives Neuro-Fuzzy-Inferenzsystem, das sowohl den Preis als auch seinen gleitenden Durchschnitt als Input bringt, lernt, Preisbewegungen von Trainingsdaten, die aus Intraday-Daten bestehen, vorherzusagen, dynamisch zwischen den leistungsstärksten Durchschnitten umzukehren und die Entscheidungsfindung von wann auszuführen Eine bestimmte Währung in hoher Frequenz zu kaufen oder zu verkaufen. 1 A. Kablan (2009). Ein Fuzzy Logic Momentum Analysis System für Finanz-Brokerage, Verfahren der Internationalen Konferenz über Finanztheorie und Engineering. IEEEXplore, Bd. 1, S. 57-62. ISBN: 978-0-7695-3949-2 2 A. Kablan (2009). Adaptive Neuro Fuzzy Systeme für Hochfrequenzhandel und Prognose, Verfahren der dritten internationalen Konferenz über Advanced Engineering Computing und Anwendungen in den Wissenschaften. IEEEXplore, Bd. 1, S. 105 - 110. ISBN: 978-0-7695-3829-7 3 A. Kablan, WL Ng, (2010), Hochfrequenzhandelsstrategie mit der Hilbert-Transformation, 6. Internationale Konferenz für Networked Computing und Advanced Informationsmanagement. Vol. 1, S. 466 - 471. ISBN: 978-89-88678-26-8 4 A. Kablan, WL Ng, (2010), Hochfrequenzhandel mit Fuzzy-Momentum-Analyse, Verfahren der IAENG 2010 International Conference of Financial Engineering ( ICFE), London. Vol. 1, S. 352-357. ISBN: 978-988-17012-9-9 5 A. Kablan, WL Ng, (2011), Hochfrequenz-Auftragsplanungsstrategien mit Fuzzy-Logik und Fuzzy-Inferenz, IAENG International Journal of Informatik , Sonderausgabe. 6 A. Kablan, W. L. Ng, (2011), Intraday High-Frequency Forex Trading mit Adaptiven Neuro-Fuzzy Inferenz-Systeme, Internationale Zeitschrift für Finanzmärkte und Derivate. 7 A. Kablan. Adaptive Neuro Fuzzy Inferenzsysteme für High Frequency Financial Trading und Prognose. Proceedings of the Dritte Internationale Konferenz über Advanced Engineering Computing und Anwendungen in den Wissenschaften. 2009. 8 Banik, S et. Al. (2007), Modellierung des chaotischen Verhaltens der Dhaka Stock Market Index Werte mit dem Neuro-Fuzzy-Modell, 10. Internationale Konferenz über Computer - und Informationstechnologie 9 C. Tseng, Y. Lin. Finanzielle Computational Intelligence. Gesellschaft für Computational Economics Informatik in Wirtschaft und Finanzen nein 42. 2005. 10 Chang, S. S. L (1977). Anwendung der Fuzzy-Set-Theorie auf die Ökonomie. Kybernetes 6, S. 203-207 11 Dacarogna, M. et al 2001, Eine Einführung in die Hochfrequenzfinanzierung, Akademische Presse 12 Dormale, AV (1997): Die Macht des Geldes, Macmillan Press, London 13 E. Boehmer (2005) Abmessungen der Ausführungsqualität: jüngste Hinweise auf US-Aktienmärkte. Journal of Financial Economics 78, 553-582, 2005. 14 E. F. Fama. (1970) Effiziente Kapitalmärkte: Eine Überprüfung der Theorie und der empirischen Arbeit. Journal of Finance, Seiten 383-417, 15. Mai Grabbe, J. O. (1996): Internationale Finanzmärkte, Englewood Hills, Prentice Hall Inc. 16 J. C. Bezdek, R. Krisnapuram, N. R. Pal. (1999). Fuzzy-Modelle und Algorithmen zur Mustererkennung und Bildverarbeitung. Springer 17 JM. Griffin, F. Nardari, R. Stulz. Börsenhandel und Marktbedingungen. NBER, Working Paper 10719, 1-48 2004. 18 Kablan, A, WL Ng, (2011 High Frequency Trading mit Fuzzy Momentum Analysis, Springer Engineering Letters, London 19 Li, Y. Musilek, P und Wyard-Scott, L. Fuzzy Logik in Agent-basierte Spieldesign. Jahrestagung der Fuzzy-Informationsverarbeitung 2004, Bd. 2, S. 734-739, 2004. 20 Lootsma, FA (1997) Fuzzy-Logik für Planung und Entscheidungsfindung Springer 21 M. Fedrizzi, W. Ostasiewicz (1993) Fuzzy-Modellierung in der Ökonomie Fuzzy-Sets und - Systeme, Band 54, Ausgabe 3, S. 259-268, 22 Ormerod, P. (2000) Schmetterlingsökonomie: Eine neue allgemeine Theorie des sozialen und wirtschaftlichen Verhaltens, Pantheon, New York 23 Q Lied, BS Chissom Vorhersage von Einschreibungen mit Fuzzy-Zeitreihen Teil II. Fuzzy Sets und Systeme 62, S. 1-8, 1994 24 Roger Jang, JS ANFIS: Adaptives Netzwerk-basiertes Fuzzy-Inferenzsystem, IEEE Transactions on Systems, Man Und Kybernetik, 23 (3) (1993) 665-685. 25 S. Chabaa und A. Zeroual Vorhersage von Paketübertragungsdaten über IP-Netzwerke mit Adaptiven Neuro-Fuzzy-Inferenzsystemen. Zeitschrift für Informatik Vol. 5 (2), S. 123-130, 2009. 26 Schulmeister, S, 2009, Eine allgemeine Finanztransaktionssteuer: Eine Abkürzung der Pros, der Nachteile und eines Vorschlags, WIFO Working Paper Nr. 344. 27 T. Hellstrm und K. Holmstrom Vorhersage der Börse. Technischer Bericht Ima-TOM-1997-07, Zentrum für Mathematische Modellierung, Institut für Mathematik und Physis, Malardalen Universität, Västeras, Schweden, August 1998. 28 T. Takagi und M. Sugeno. Fuzzy Identifikation von Systemen und deren Anwendung auf Modellierung und Steuerung, IEEE Transaktionen auf Systeme, Mensch und Kybernetik, Bd. 15, S. 116-132, 1985. 29 Takagi T. und Sugeno, M. Fuzzy Identifizierung von Systemen und deren Anwendung auf Modellierung und Kontrolle, IEEE Transaktionen auf Systeme, Mensch und Kybernetik, 15 (1985) 116-132. 30 Wilson, R. und Sharda, R. Insolvenzvorhersage mit neuronalen Netzen, Decision Support Systems, 11 (1994) 545-557. 31 Yeh, S. Landsmann, W. R. Miller, B. L. Peasnell, K. V. (2011). Haben die Anleger wirklich schmutzigen Überschuss. Die Buchführung, 86 (1), 237-258. 32 Yoon, Y. Guimaraes, T. und Swales, G. Integration von neuronalen Netzwerken mit regelbasierten Expertensystemen, Decision Support Systems, 11 (1994) 497-507. 33 Zadeh, L. Fuzzy setzt. Information und Kontrolle, vol. 8, pp 338-353, 1965. 34 Zadeh, L. A. Fuzzy-Sets, Information Control, 8 (1965) 338-353.Slideshare verwendet Cookies, um Funktionalität und Leistung zu verbessern und Ihnen relevante Werbung zu bieten. Wenn Sie die Seite weiter durchsuchen, stimmen Sie der Verwendung von Cookies auf dieser Website zu. Siehe unsere Benutzervereinbarung und Datenschutzbestimmungen. Slideshare verwendet Cookies, um Funktionalität und Leistung zu verbessern und Ihnen relevante Werbung zu bieten. Wenn Sie die Seite weiter durchsuchen, stimmen Sie der Verwendung von Cookies auf dieser Website zu. Weitere Informationen finden Sie in unserer Datenschutzerklärung und Benutzervereinbarung. Entdecken Sie alle Ihre Lieblingsthemen in der SlideShare App Holen Sie sich die SlideShare App zum Sparen für später auch offline Weiter zur mobilen Website Upload Login Signup Doppelte Tap zum Verkleinern Adaptive-Neuro-Fuzzy-Inference-System-for-Financial-Trading-Nutzung - Intraday-Seasonality-Observation-Model Teilen Sie diese SlideShare LinkedIn Corporation Kopie 2017