Algoritmo Genético Médio Em Movimento

Não estou certo da solução correta, porém, uma vez que a soma da média de cada amostra apresentaria uma quantidade razoável de erro de arredondamento. Hmm. Eu me pergunto se separar a parte fracionária de toda a parte ajudaria. Divida toda a parte de cada número pela contagem. Mantenha três somas correntes: 1) A média das partes inteiras, 2) O restante de cada divisão, e 3) A parte fracionada de cada número. Cada vez que a parte inteira de um número é dividida, todo o resultado da peça é adicionado à soma de execução média e o restante é adicionado ao restante da soma em execução. Quando a soma de execução restante obtém um valor maior ou igual à contagem, é dividido pela contagem com o resultado da parte inteira adicionado à soma de execução média e o restante adicionado à soma de execução restante. Além disso, em cada cálculo, a parte fracionada é adicionada à soma de rotura fracionada. Quando a média é concluída, a soma de execução restante é dividida pela contagem e o resultado é adicionado à soma de execução média como um número flutuante. Por exemplo: agora o que fazer com a soma de fluxo fracionada. O perigo de transbordar é muito menos provável aqui, embora ainda seja possível, de modo que uma maneira de lidar com isso seria dividir a soma de execução fracionada pela contagem no final e adicioná-la ao nosso resultado: uma alternativa seria verificar a operação fracionada Soma em cada cálculo para ver se é maior ou igual a contar. Quando isso acontece, faça o mesmo que fazemos com o restante da soma corrente. Excelente Jomit Vaghela 6-Mar-07 21:00 Eu gostei do que você disse que pequenos empregos rapidamente se transformam em grandes empregos. Pensar na otimização enquanto a codificação é uma boa prática. Grande esforço e explicação, Obrigado Mike DiRenzo 5-Mar-07 16:26 Esta é a primeira vez que respondi a um de seus artigos. No entanto, sou um leitor muito ávido. Enquanto na faculdade, eu também tinha que calcular as médias móveis ponderadas e as simples. Heck, eu mesmo tive que criar alguns dos meus próprios algoritmos de média móvel em uma implementação de ERP personalizada há algum tempo, com base em algumas das mesmas fórmulas que aprendi nas Operações 101. Mas esta implementação, usando o Generics, supera em muito qualquer coisa em termos de otimização, Simplicidade e fraqueza direta. Muito obrigado por isso. Um dos seus muitos fãs, Em silêncio e silêncio, a verdade é esclarecida. Ewma gobgob 5-Mar-07 5:30 Se você tentar calcular uma média móvel simples, você deve manter uma coleção, o que é bastante complexo para uma tarefa tão simples. Como sobre o uso de uma ewma Suas 2 linhas de código, muito mais simples. Re: ewma Marc Clifton 5-Mar-07 5:47 Como sobre usar uma ewma idéia interessante. Para os leitores que não sabem o que é uma ewma, é uma média móvel ponderada exponencial. As pessoas são apenas notoriamente impossíveis. --DavidCrow Theres NÃO há desculpa para não comentar seu código. - John Simmons programador fora da lei Pessoas que dizem que vão refatorar seu código mais tarde para torná-lo bom não entender a refatoração, nem a arte e a arte da programação. - Josh Smith Re: ewma pwasser 5-Mar-07 13:21 Uma estimativa da média móvel se o tamanho do bin para a média móvel n for n pode ser obtido por: NewAverage ((((n-1) OldAverage) newValue) n This Funciona uma vez que o compartimento está cheio (número de exemplo n). O compartimento parcialmente cheio é frequentemente tratado usando um valor de semente para a média móvel inicial (OldAverage) e depois usando esse cálculo. Isso assume a distribuição normal de valores etc. Você esteve ocupado Colin Angus Mackay 4-Mar-07 12:37 Publicando dois artigos nesta noite. Bom trabalho, eu não sei como você faz isso. Eu tenho cerca de 4 ou 5 artigos a meio terminar e eu nunca parece encontrar o tempo para completá-los. Bem. Talvez se eu fiquei fora do salão, eu o gerenciei. Re: Você esteve ocupado Marc Clifton 4-Mar-07 14:25 Colin Angus Mackay escreveu: publicando dois artigos nesta noite. Ótimo trabalho Obrigado Eu estava realmente escrevendo o artigo sobre a média de corrida e percebi que a lista circular seria realmente um artigo autêntico muito bom. Além disso, eles são artigos leves. Posso arrancá-los muito rápido. É difícil pensar em coisas úteis, mas simples. Acontece que eu precisava dessas duas classes de qualquer maneira. As pessoas são apenas notoriamente impossíveis. --DavidCrow Theres NÃO há desculpa para não comentar seu código. - John Simmons programador fora da lei Pessoas que dizem que vão refatorar seu código mais tarde para torná-lo bom não entender a refatoração, nem a arte e a arte da programação. - Josh Smith Re: Você esteve ocupado JeffPClark 8-Mar-07 1:07 Pelo que eu li de Marc, ele provavelmente tem um programa que pode examinar um pedaço de código e explicar os detalhes intrincados e depois publicá-lo diretamente no Projeto de Código . Jeff Clark Systems Arquiteto JP Clark, INC. Columbus, Ohio Última Visita: 31-Dec-99 19:00 Última Atualização: 13-Jan-17 10:28 Geral Notícias Sugestão Pergunta Bug Answer Joke Praise Rant Admin Use CtrlLeftRight para mudar mensagens, CtrlUpDown para alternar threads, CtrlShiftLeftRight para alternar páginas. Algoritmo genético em R 8211 Trend Following Seria estoqueFacebook. Estratégia de estratégia global. ParamA10. ParamB45. As regras da estratégia são simples, se a média móvel (lengthparamA) gt a média móvel (lengthparamB), então continue, e vice-versa. A função de fitness Um gene é quantificado como um gene bom ou ruim usando uma função de fitness. O sucesso de uma estratégia de comércio genético depende muito da sua escolha de função de fitness e se faz sentido com as estratégias que você pretende usar. Você trocará cada uma das estratégias descritas por seus genes ativos e, em seguida, classificá-los pela sua aptidão física. Um bom ponto de partida seria usar a proporção acentuada como a função de fitness. Você precisa ter cuidado para aplicar a função de fitness a dados estatisticamente significativos. Por exemplo, se você usou uma estratégia de reversão média que pode trocar uma vez por mês (ou o que é a sua janela de reconversão), sua aptidão é determinada por 1 ou 2 datapoints. Isso resultará em baixa otimização genética (no meu código i8217ve comentou um teste de estratégia de reversão médio para você). Normalmente, o que acontece é que sua proporção de sharpe de 2 pontos de dados é muito muito alta apenas para a sorte. Você marca isso como um bom gene e trocá-lo no próximo mês com resultados terríveis. Reprodução de genes Com um gênero genético, você precisa criar genes, para o resto deste post, eu acho que você está se reproduzindo uma vez por mês. Durante a reprodução, você tira todos os genes do seu grupo gene e classifica-os de acordo com a função de fitness. Em seguida, selecione os principais genes N e crie-os (descarte todos os outros genes que não sejam úteis). A reprodução consiste em duas partes: hibridização 8211 Pegue um gene e corte um pedaço fora dele, você pode usar qualquer gerador de números aleatórios que você deseja determinar os locais de corte, troque esse pedaço com um pedaço correspondente de outro gene. Por exemplo. Antigo gene: 00 1100 10 e 11 1001 10 (vermelho são os bits selecionados aleatoriamente para cortar) Novo gene: 00 1001 10 e 11 1100 10 Você faz isso por cada par possível de genes na sua lista N superior. Mutação 8211 Após a hibridação passar por todos os seus genes e aleatoriamente inverter os bits com uma probabilidade fixa. A mutação evita que sua estratégia seja bloqueada em um conjunto genético cada encolhimento. Para uma explicação mais detalhada com os diagramas, veja: blog. equametrics, desça até Algoritmos genéticos e sua aplicação na negociação Razão Annual Sharpe (Rf0) 1.15Generando as regras de negociação média móvel no mercado de futuros do petróleo com algoritmos genéticos 1 Escola de Humanidades e Gestão Econômica China University of Geosciences, Pequim 100083, China 2 Laboratório chave de avaliação de capacidade de transporte para recursos e meio ambiente, Ministério da Terra e Recursos, Pequim 100083, China 3 Laboratório de Recursos e Gestão Ambiental, China University of Geosciences, Pequim 100083, China 4 Instituto de Reforma e Desenvolvimento Econômico da Chinax2019, Universidade Renmin da China, Pequim 100872, China Recebida 19 de fevereiro de 2014 Revisada em 4 de maio de 2014 Aceito 7 de maio de 2014 Publicado em 26 de maio de 2014 Editor acadêmico: Wei Chen Copyright xa9 2014 Lijun Wang et al. Este é um artigo de acesso aberto distribuído sob a licença Creative Commons Attribution License. Que permite o uso, distribuição e reprodução sem restrições em qualquer meio, desde que o trabalho original seja devidamente citado. O mercado de futuros de petróleo bruto desempenha um papel crítico nas finanças energéticas. Para obter maior retorno de investimento, os acadêmicos e comerciantes usam indicadores técnicos ao selecionar estratégias de negociação no mercado de futuros do petróleo. Neste artigo, os autores usaram os preços médios móveis dos futuros do petróleo com algoritmos genéticos para gerar regras comerciais lucrativas. Nós definimos indivíduos com diferentes combinações de comprimentos de período e métodos de cálculo como regras de negociação médias em movimento e algoritmos genéticos usados ​​para procurar os comprimentos adequados dos períodos médios móveis e os métodos de cálculo apropriados. Os autores utilizaram os preços diários do petróleo bruto dos futuros NYMEX de 1983 a 2013 para avaliar e selecionar as regras da média móvel. Comparamos as regras de negociação geradas com a estratégia de compra e retenção (BH) para determinar se as regras de negociação médias movidas geradas podem obter retornos excessivos no mercado de futuros do petróleo bruto. Através de 420 experiências, determinamos que as regras de negociação geradas ajudam os comerciantes a obter lucros quando há flutuações de preços óbvias. As regras de negociação geradas podem realizar retornos excessivos quando o preço cair e sofrer flutuações significativas, enquanto a estratégia BH é melhor quando o preço aumenta ou é suave com poucas flutuações. Os resultados podem ajudar os comerciantes a escolher melhores estratégias em diferentes circunstâncias. 1. Introdução A energia é vital para o desenvolvimento econômico. As atividades domésticas, a produção industrial e os investimentos em infraestrutura consomem energia direta ou indiretamente, independentemente dos países em desenvolvimento ou desenvolvidos 1. As questões relativas ao comércio de energia 2, eficiência energética 3, política energética 4 x20136, consumo de energia 7 e financiamento da energia 8 receberam mais importância nos últimos anos. O mercado de futuros de petróleo bruto é uma parte crucial do financiamento da energia no âmbito do mercado global de energia. Comerciantes e pesquisadores empregam ferramentas de análise técnica para identificar regras comerciais comerciais nos mercados financeiros. Consequentemente, os indicadores de média móvel são comumente usados ​​na análise técnica para atualizar maiores retornos. Este artigo tenta responder se, na vida real, um investidor pode usar regras de negociação técnica média móvel para obter retornos excessivos através da busca de regras de negociação média móvel rentáveis ​​com algoritmos genéticos no mercado de futuros de petróleo bruto. Os algoritmos genéticos são amplamente utilizados nas ciências sociais 9. 10, especialmente em certas questões complexas, onde é difícil realizar cálculos precisos. É uma tendência para aplicar métodos físicos ou matemáticos em economia de energia e recursos 11 x201316. Os pesquisadores aplicaram algoritmos genéticos para a predição da produção de carvão - poluição ambiental 17, a seleção interna e o comportamento de seleção de mercado no mercado 18, a previsão de demanda de petróleo bruto 19, a minimização de custos de combustível e emissões gasosas de geração de energia elétrica 20 e O sistema de negociação Forex 21. No que diz respeito às questões de análise técnica financeira, os especialistas usam algoritmos genéticos para pesquisar as melhores regras de negociação e indicadores técnicos lucrativos ao tomar decisões de investimento 22 x201325. Os algoritmos genéticos são combinados com outras ferramentas, como o modelo baseado em agente 26, a teoria da matemática fuzzy 27 e as redes neurais 28. Há também alguns estudos que usaram algoritmos genéticos para prever a tendência de preços no mercado financeiro 29. 30 ou a taxa de câmbio do mercado de câmbio 31. Como há uma grande quantidade de regras comerciais comerciais e indicadores técnicos disponíveis no mercado de futuros de petróleo bruto, não é prático usar cálculos ergodicos ou certos outros métodos de cálculo precisos. Portanto, o uso de algoritmos genéticos é uma maneira viável de resolver esse problema. Os indicadores médios em movimento têm sido amplamente utilizados em estudos de ações e mercados de futuros 32 x201337. Duas médias móveis de diferentes comprimentos são comparadas com a previsão de tendências de preços em diferentes mercados. As médias de curto movimento são mais sensíveis às mudanças de preços do que as longas. Se um preço médio móvel curto for maior do que um preço médio móvel de longo prazo, os comerciantes irão acreditar que o preço aumentará e levará posições longas. Quando o preço médio de baixa movimentação cai e cruza com o longo, as atividades comerciais opostas serão tomadas 38. Allen e Karjalainen (AK) 39 usaram algoritmos genéticos para identificar as regras de negociação técnica nos mercados de ações com os preços diários do Sx26P 500. O preço médio móvel foi usado como um dos muitos indicadores das regras técnicas. Outros indicadores, como o valor médio e o valor máximo, também são usados ​​ao tomar decisões de investimento. Wang 40 realizou pesquisas similares nos mercados de pontos e futuros usando a programação genética, enquanto como o método 41 aplicado AKx2019s para diferentes estoques de cap para determinar a relevância do tamanho. William, comparando diferentes regras técnicas e regras da rede neural artificial (ANN) sobre o mercado de futuros do petróleo, determinou que a RNA seja uma boa ferramenta, assim, duvidando a eficiência do mercado de petróleo 38. Todos esses estudos combinam indicadores de média móvel com outros indicadores para gerar regras de negociação. No entanto, neste artigo, utilizamos médias móveis para gerar regras comerciais, o que pode ser uma abordagem simples e eficiente. O desempenho de uma regra de negociação média móvel é afetado significativamente pelos comprimentos de período 42. Portanto, encontrar os comprimentos ótimos dos dois períodos acima é uma questão central na literatura de análise técnica. Uma variedade de comprimentos foram testados em projetos de pesquisa existentes 43 x201348. Na pesquisa existente, a maioria das regras da média móvel usa comprimentos de período médio móvel fixo e método de cálculo da média móvel única. No entanto, é melhor usar comprimentos variáveis ​​para diferentes períodos de investimento 49. 50 e existem diferentes tipos de método de cálculo da média móvel que podem ser usados ​​na análise técnica. Neste artigo, considerando que o comprimento ótimo dos períodos médios móveis eo melhor método de cálculo pode variar de uma ocasião para outra, usamos algoritmos genéticos para determinar o comprimento adequado do período médio móvel e o método apropriado. Seis métodos de cálculo de média móvel são considerados neste artigo e os algoritmos genéticos podem nos ajudar a descobrir o melhor método e os comprimentos de período apropriados para diferentes circunstâncias. Consequentemente, podemos apresentar as regras de negociação média móvel mais adequadas para os comerciantes no mercado de futuros de petróleo bruto. 2. Dados e Método Utilizamos os preços diários do futuro contrato de petróleo 1 para o período de 1983 a 2013 da Bolsa Mercantil de Nova York (Data Source: eia. govdnavpetpetx5fprix5ffutx5fs1x5fd. htm). Selecionamos 20 grupos de dados de amostra, cada um contendo 1000 preços diários. Nos 1000 preços diários, uma série de preços de 500 dias é usada para treinar regras comerciais em todas as gerações. Os seguintes 200 preços são usados ​​para selecionar a regra de negociação melhor gerada de todas as gerações, e os últimos 300 preços diários são usados ​​para determinar se a regra gerada pode adquirir retornos em excesso. O primeiro grupo começa em 1985, o último grupo termina em 2013, e cada série de preços de 1000 dias com um passo de 300 é selecionada. Devemos também incluir mais 500 preços diários antes de cada série de amostras para calcular os preços de mudança para o período de amostra. Assim, todo experimento independente requer uma série de preços de 1500 dias. Os dados que utilizamos são apresentados na Figura 1. Figura 1: Seleção de dados. 2.2. O método As regras de negociação média em movimento facilitam a tomada de decisões para os comerciantes, comparando duas médias móveis de diferentes períodos. Desta forma, os comerciantes podem prever a tendência de preços ao analisar a volatilidade dos preços médios móveis. Existem seis indicadores de média móvel geralmente utilizados na análise técnica: média móvel simples (SMA), média móvel ponderada (WMA), média móvel exponencial (EMA), média móvel adaptativa (AMA), média móvel de preços típica (TPMA) e triangular Média móvel (TMA). Os métodos de cálculo dos indicadores médios móveis são apresentados na Tabela 1. Tabela 1: Detalhes dos seis indicadores de média móvel. Para usar uma regra de negociação média móvel no mercado de futuros de petróleo, pelo menos três parâmetros devem ser estabelecidos para estabelecer uma estratégia de negociação. Esses parâmetros incluem os comprimentos de dois períodos de média móvel e a escolha do método da média móvel dos seis tipos acima. Outros pesquisadores usaram diferentes períodos de amostragem em seus estudos. Neste artigo, usamos algoritmos genéticos para determinar os comprimentos apropriados do período médio móvel. De acordo com a literatura existente, o período longo é geralmente entre 20 e 200 dias (muito poucos estudos usam períodos superiores a 200 dias) 38. 39, e o período curto geralmente não é mais de 60 dias. Se o preço médio longo for inferior ao preço médio curto, um comerciante terá uma posição longa. Segue-se que em situações opostas, estratégias opostas serão adotadas. Observando a volatilidade dos preços no mercado de futuros, assumir uma posição longa quando o preço médio curto exceder o preço médio longo em pelo menos um desvio padrão no curto período pode ser uma boa regra. Por outro lado, tomar uma posição curta também pode ser uma boa regra. Portanto, nós criamos as duas regras em nossas regras comerciais iniciais. Os métodos de cálculo detalhados das seis médias móveis são apresentados na Figura 2. Figura 2: Estrutura das regras de negociação. Um string de 17 bits é usado para representar uma regra de negociação na qual uma substring de sete binários representa (MN) (x2009x2009 é o comprimento do período longo e é o comprimento do período curto); uma substring de seis binários é (pertence ao intervalo de 1 a 64) uma substring de três binários representa o método de cálculo dos preços médios. Neste artigo, o intervalo é de 5 a 132. O último binário determina se as estratégias de negociação apenas são alteradas quando houver mais de uma diferença de desvio padrão entre dois preços médios móveis. A estrutura das regras de negociação é apresentada na Figura 2. A aptidão de uma regra de negociação é calculada de acordo com o lucro que pode fazer no mercado de futuros de petróleo bruto. Para comparar as regras de negociação geradas com a estratégia BH (buy-and-hold, take the long position durante o período), o lucro de uma regra gerada é a taxa de retorno excessiva que excede a estratégia BH. O método de cálculo da taxa de retorno refere-se ao método AKx2019s. A diferença é que permitimos que um comerciante mantenha um cargo por muito tempo, e não calculamos o retorno todos os dias. Considere a taxa de retorno excessivo de uma estratégia de posição longa, ou seja, a soma do retorno da posição longa e posição curta. Rf é o retorno livre de risco quando fora do mercado, e Rbh é a taxa de retorno da estratégia BH no período da amostra. Rm é a relação de margem do mercado de futuros. O parâmetro denota a taxa de custo de transação unidirecional. E representam o preço de abertura e preço de fechamento de uma posição (longa ou curta), respectivamente. É o preço do primeiro dia em um período inteiro e é o preço do último dia. À medida que ignoramos a quantidade de mudança na margem diária e o prazo do contrato, um comerciante pode manter sua estratégia ao assumir novos cargos quando um contrato chegar perto da data de encerramento. O valor da aptidão é um número entre 0 e 2 calculado através da conversão não-linear de acordo com Ra. O cálculo, a seleção, o cruzamento e a mutação dos indivíduos são implementados usando a caixa de ferramentas GA da Sheffield na plataforma Matlab. Em todas as gerações, para evitar o excesso de dados de treinamento, a melhor regra de negociação em cada geração será testada em um período de amostra de seleção (a série de preços de 200 dias). Somente quando o valor da aptidão é maior que o melhor valor na última geração ou quando os dois valores são quase iguais (x3c 0.05), a regra de negociação pode ser marcada como a melhor até o momento. Em todas as gerações, 90 por cento da população serão selecionados para formar uma nova geração, enquanto os outros 10 por cento serão gerados aleatoriamente. Consequentemente, a evolução dos indivíduos que utilizam algoritmos genéticos em uma única experiência independente pode ser resumida da seguinte forma. Etapa 1 (inicializar a população). Crie aleatoriamente uma população inicial de 20 regras de negociação média móvel. Passo 2 (avaliar indivíduos). A aptidão de cada indivíduo é calculada na etapa de avaliação. O programa calcula os preços médios móveis em duas escalas diferentes durante o período de treinamento usando os dados auxiliares e determina as posições em cada dia de negociação. A taxa de retorno em excesso de cada indivíduo é então calculada. Finalmente, o valor da aptidão de cada indivíduo é calculado de acordo com o excesso de taxa de retorno. Passo 3 (lembre-se da melhor regra comercial). Selecione a regra com o maior valor de aptidão e avalie-a para o período de seleção para obter sua taxa de retorno. Se for melhor ou não inferior à melhor regra atual, será marcado como a melhor regra de negociação. Se a taxa de retorno for inferior ou inferior a 0,05 maior do que a taxa atual, mantemos a regra atual como a melhor. Passo 4 (gerar nova população). Selecionando 18 indivíduos de acordo com seus valores físicos, o mesmo indivíduo pode ser selecionado mais de uma vez. Portanto, crie aleatoriamente 2 regras de negociação adicionais. Com uma probabilidade de 0,7, realizar uma operação de recombinação para gerar uma nova população. Conseqüentemente, todas as regras de recombinação serão mutadas com uma probabilidade de 0,05. Passo 5. Volte para a Etapa 2 e repita 50 vezes. Passo 6 (teste a melhor regra comercial). Teste a melhor regra de negociação conforme identificado pelo programa acima. Isso gerará a taxa de retorno e indicará se os algoritmos genéticos podem ajudar os comerciantes a atualizar os retornos excessivos durante esse período de amostra. 3. Resultados Porque, neste artigo, não consideramos a quantidade de ativos, assumimos que o índice de margem seja de 0,05. Na verdade, como o parâmetro não tem efeito significativo nos resultados da nossa experiência, a taxa de retorno é aumentada vinte vezes. Com 20 ensaios em cada período, 420 experimentos independentes são conduzidos para determinar regras de negociação média móvel úteis no mercado de futuros de petróleo bruto. Os preços que usamos para os 21 períodos são mostrados na Figura 3. Figura 3: Dados da amostra. Com base em estudos anteriores 39. 40. 51 e na decisão de selecionar um valor intermediário para este estudo, a taxa de custo de transação é definida em 0.1x25 para os 420 experimentos. A taxa de retorno livre de risco é de 2x25, que se baseia principalmente na taxa de títulos de tesouraria de curto prazo 41. Dos 420 ensaios, 226 ganham lucros. Com uma taxa de retorno média de 1,446, conclui-se que os algoritmos genéticos podem facilitar os comerciantes para obter retornos no mercado de futuros do petróleo bruto. No entanto, as regras de negociação média móvel identificadas por algoritmos genéticos não resultam em retornos excessivos, pois apenas 8 períodos em que as regras de negociação geradas resultaram em comerciantes que receberam retornos excedentes. Dado que o preço dos futuros de petróleo bruto aumentou muitas vezes durante o período de amostragem, afirmamos ainda que os algoritmos genéticos são úteis nos investimentos. Para uma melhor compreensão, dividimos os 21 períodos em 4 categorias de acordo com os resultados (ver a última coluna da Tabela 2). Tabela 2: Resultados da experiência. Categoria 1 (períodos 2, 3 e 9). Nestes períodos, as regras de negociação geradas não só ajudam os comerciantes a obter retornos, mas também os ajudam a perceber os retornos em excesso. As regras de negociação geradas geram mais lucros do que a estratégia BH nos períodos 3 e 9. No período 2, a estratégia BH perde dinheiro, enquanto as regras de negociação geradas, determinadas pelos algoritmos genéticos, resultam em lucros. Assim, as regras de negociação geradas são muito superiores à estratégia BH neste período. Uma característica comum desses três períodos na Categoria 1 é que os preços do petróleo bruto caíram durante o período de teste e apresentaram flutuações significativas. Categoria 2 (períodos 5, 8, 12, 16 e 18). As regras de negociação média móvel gerada não conseguem gerar lucros durante esses cinco períodos. Mesmo assim, as regras geradas funcionaram melhor do que a estratégia BH, pois reduziram significativamente as perdas. Nestes períodos, os preços diminuíram suavemente, experimentando algumas pequenas flutuações durante o processo. Categoria 3 (períodos 1, 6, 7, 10, 11, 14, 15 e 17). Nestes oito períodos de dados de amostra, os algoritmos genéticos ajudam os comerciantes a identificar regras de negociação médias móveis adequadas. No entanto, os comerciantes não conseguiram obter retornos excedentes. Embora os preços estejam aumentando constantemente nestes períodos, também há algumas pequenas flutuações, que fazem com que os algoritmos genéticos sejam inferiores à estratégia de BH nestes períodos. Categoria 4 (períodos 4, 13, 19, 20 e 21). As regras de negociação de algoritmos genéticos demonstram desempenho fraco nestes cinco períodos. No período 21, a estratégia BH produz resultados negativos. Nossas regras de comércio genético produzem perdas mais severas. A estratégia BH é considerada superior às regras de negociação geradas nos outros quatro períodos, uma vez que a estratégia BH produz alguns retornos. Embora não haja mudanças significativas no nível de preços nesses períodos, os preços estão em estados voláteis ao longo dos cinco períodos. Pequenas mudanças de preços, sem tendências aparentes, tornam impotentes as regras de negociação geradas na previsão de mudanças de preços e no fornecimento de retornos. Usamos algoritmos genéticos para pesquisar boas regras de negociação média móvel para comerciantes no mercado de petróleo bruto. A Tabela 3. que mostra o número médio de e para cada período, indica que o valor do período longo () tem uma relação próxima com a volatilidade dos preços no período da amostra. Um grande é definido em períodos com flutuações significativas e um pequeno é selecionado para períodos em que o preço é relativamente estável. Tabela 3: O valor médio de e em cada período. A distribuição de é mostrada na Figura 4. O valor da Probabilidade é muito pequeno e não segue a distribuição normal. A figura apresenta uma característica típica da cauda gorda com uma curtose de 2,36. Em comparação com a distribuição normal, há mais valores localizados nas colas da distribuição em nossos resultados. Apenas metade das 420 experiências, é de 70 dias a 130 dias. Os valores são descentralizados e acreditamos que é mais científico escolher os melhores comprimentos dos dois períodos usando um processo de treinamento que utilizamos neste artigo no investimento real. Figura 4: Distribuição de. Entre os seis métodos de cálculo da média móvel, AMA e TMA são usados ​​com mais freqüência do que os outros quatro (ver Tabela 4), já que mais da metade das regras de negociação média móvel gerada usam AMA ou TMA. Um pequeno número de regras de negociação geradas usa WMA e EMA, enquanto que TPMA e SMA, que são fáceis de calcular, são freqüentemente usados ​​em alguns períodos, como os períodos 1, 2, 3, 12, 19 e 21. Tabela 4: Cálculo Métodos de transferência de preço médio em cada período. A seleção do método de cálculo está associada às tendências dos preços e à volatilidade. A Figura 5 mostra que TPMA é usado 31 vezes nas 60 experiências independentes nos períodos 2, 3 e 9 (Categoria 1). Diferente da proporção global, o TPMA é o método de cálculo mais popular quando o preço cai durante o período e experimentou flutuações significativas. AMA é o método mais popular nas outras três categorias. EMA nunca é usado nas categorias 1 e 4. No entanto, é necessário uma proporção de 24x25 na categoria 2, mais de TMA, SMA, TPMA e WMA. As proporções de TMA e SMA não têm diferenças significativas em diferentes categorias. Na categoria 4, os preços mudam sem tendências aparentes. Nenhum método tem vantagem óbvia sobre os outros. Figura 5: Proporções de métodos em diferentes categorias. Os resultados de 20 experimentos no mesmo período indicam alta consistência no valor sd (Tabela 5). Quando os preços flutuam, como nos períodos 1, 2, 7, 8, 13, 19 e 20, as posições não abertas até que um preço médio exceda outro pelo menos um desvio padrão é a melhor opção. Quando o preço é relativamente estável, uma decisão de investimento deve ser feita imediatamente, desde que as duas médias móveis se cruzem. Tabela 5: Números de regras de negociação em que sd 1. 4. Discussão Este artigo tenta gerar regras de negociação média móvel no mercado de futuros de petróleo usando algoritmos genéticos. Diferente de outros estudos, usamos apenas médias móveis como indicadores técnicos para identificar regras de negociação médias móveis úteis, sem quaisquer outras ferramentas ou indicadores de análise técnica complexa. As regras de negociação média em movimento são fáceis de operar, e são diretas, independentemente da situação. Para identificar as melhores regras de negociação no mercado de futuros de petróleo bruto, usamos algoritmos genéticos para selecionar dinamicamente todos os parâmetros nas regras de negociação em média, em vez de fazê-lo de forma fixa. De acordo com nossos cálculos genéticos, o uso de algoritmos genéticos para descobrir os melhores comprimentos dos dois períodos de média móvel é defendido porque os comprimentos gerados diferem uns dos outros em diferentes tendências de preços. As regras de negociação média móvel estática com comprimentos de período fixos não podem se adaptar a flutuações complexas de preço em diferentes períodos. No entanto, um processo de treinamento, que considera as características dinâmicas das flutuações de preços, pode ajudar os comerciantes a descobrir os comprimentos ótimos dos dois períodos de mudança de uma regra de negociação. Entre os seis métodos de média móvel, a AMA e a TMA são as mais populares entre as regras de negociação geradas, pois esses dois métodos têm a capacidade de se adaptar às tendências de preços. A AMA pode alterar os pesos do preço atual de acordo com a volatilidade nos últimos dias. Como o TMA é a média do SMA, ele reflete mais precisamente o nível de preços. No entanto, a seleção do melhor método de cálculo da média móvel é afetada pelas tendências de preços. Os comerciantes podem escolher métodos de forma mais científica de acordo com as tendências e flutuações dos preços. Com base nos resultados de nossa experiência, a TPMA é uma ótima escolha quando o preço exibe um processo de declínio com flutuações significativas e a geração de regras de negociação média em movimento é excelente, em comparação com a estratégia da BH nessas ocasiões. Embora a EMA tenha uma proporção muito pequena no total de 420 experimentos, também é um método aplicável além da AMA quando o preço cai suavemente. Para os períodos em que a volatilidade do preço é aparente, as decisões não serão tomadas até que a diferença entre as duas médias exceda o desvio padrão dos baixos preços de amostra, reduzindo assim o risco de transação. No entanto, este método não é adequado para um período em que o preço é relativamente estável. Nessas situações, a hesitação às vezes pode causar que os comerciantes percam possíveis oportunidades de lucro. Como um todo, as regras de negociação médias movidas geradas podem ajudar os comerciantes a obter lucros no longo prazo. However, genetic algorithms cannot guarantee access to additional revenue in every period as they are only useful in acquiring excess returns in special situations. The generated moving average trading rules demonstrate outstanding performance when the crude oil futures price falls with significant fluctuations. The BH strategy will lose on these occasions, while the generated trading rule can help traders foresee a decline in price and reduce losses. Our trading rules also yield positive returns during the fluctuations by the timely changing of positions. When the price falls smoothly with few fluctuations in the process, generated trading rules can yield excess returns compared to the BH strategy. Although genetic algorithms cannot help traders receive positive returns during these periods, the algorithms can help traders reduce loss by changing positions with the change of price trends. When the price is stable or rising smoothly, the generated rules may generate returns. However, they cannot generate more returns than the BH strategy. Limited returns cannot afford the transaction costs. When the price falls, the generated rules may be superior to the BH strategy. Genetic algorithms can also help traders make profits in the process of price increases with small fluctuations. In these periods, the BH strategy is better than generated trading rules because the transactions in the process generate transaction costs and may miss some profit opportunities. Generated moving average trading rules have poor performance if there are no notable trends in the price change. In these periods, moving average indicators cannot find profit opportunities because the volatility is too small. The trends of price changes are delayed by the moving average method. Therefore, when a decision is made, the price trend must also change, and as a result, there is no doubt that the trader will experience deficits. Using genetic algorithms, moving average trading rules do help traders to gain returns in the actual futures market. We also identified the best lengths for the two periods with respect to moving average rules and recommend the moving average calculation method for the crude oil futures market. Technical trading rules with only moving average indicators generated by genetic algorithms demonstrate no sufficient advantages compared to the BH strategy because the overall price increased during the 30-year period. Nevertheless, generated moving trading rules are beneficial for traders under certain circumstances, especially when there are significant changes in prices. In this paper, we search best trading rules according to the return rate of each one without regard to asset conditions and open interest, which proves to be the greatest limitation of the study. To improve the accuracy of the results, a simulation with actual assets is recommended. Accordingly, we will undertake this endeavor in a subsequent research. 5. Concluding Remarks We conclude that the genetic algorithms identify better technical rules that allow traders to actualize profits from their investments. While we have no evidence to demonstrate that generated trading rules result in greater returns than does the BH strategy, our conclusion is consistent with the efficient market hypothesis. While generated trading rules facilitate traders in realizing excess returns with respect to their investing activities under specific circumstances, they cannot, at least by using moving average trading rules, ensure more long-term excess returns than the BH strategy. With respect to the selection of two periods, finding out optimal lengths using genetic algorithms is helpful for making more profits. Of the six moving average indicators, AMA and TMA are the most popular moving average calculation methods for the crude oil futures market in total, while TPMA is an outstanding method in some occasion. When the crude oil prices demonstrate notable volatility, a trader is advised to wait until the difference of the two moving averages exceeds the standard deviation of the short period and vice versa. Based on the above analysis, it is better to use BH strategy when the price increases or is stable. However, generated moving average trading rules are better than BH strategy when crude oil futures price decreases. With respect to the moving average calculation method, it is advocated to use TPMA when price falls with significant fluctuations and AMA when price falls smoothly, although TPMA is not a popular method overall. We propose variable moving average trading rules generated by training processes rather than static moving average trading rules in the crude oil futures markets. Conflict of Interests The authors declare that there is no conflict of interests regarding the publication of this paper. Authorsx2019 Contribution Model design was done by Haizhong An, Lijun Wang, and Xuan Huang, program development and experiments performance were done by Xiaojia Liu and Lijun Wang, data analysis was done by Haizhong An, Xiaohua Xia, and Xiaoqi Sun, paper composition was done by Lijun Wang, Xiaohua Xia, and Xiaojia Liu, and literature retrieval and manuscript editing were done by Xiaojia Liu, Xuan Huang, and Xiaoqi Sun. Acknowledgments This research was partly supported by the NSFC (China) (Grant no. 71173199) and Humanities and the Social Sciences planning funds project under the Ministry of Education of the PRC (Grant no. 10YJA630001). The authors would like to acknowledge valuable suggestions from Wei Fang, Xiaoliang Jia, and Qier An. References Z. M. Chen and G. Q. Chen, Demand-driven energy requirement of world economy 2007: a multi-region input-output network simulation, Communications in Nonlinear Science and Numerical Simulation . vol. 18, no. 7, pp. 17571774, 2013. View at Publisher View at Google Scholar G. Wu, L.-C. Liu, and Y.-M. Wei, Comparison of Chinax27s oil import risk: results based on portfolio theory and a diversification index approach, Energy Policy . vol. 37, no. 9, pp. 35573565, 2009. View at Publisher View at Google Scholar View at Scopus X. H. Xia, G. T. Huang, G. Q. Chen, B. Zhang, Z. M. Chen, and Q. Yang, Energy security, efficiency and carbon emission of Chinese industry, Energy Policy . vol. 39, no. 6, pp. 35203528, 2011. View at Publisher View at Google Scholar View at Scopus X. H. Xia and G. Q. Chen, Energy abatement in Chinese industry: cost evaluation of regulation strategies and allocation alternatives, Energy Policy . vol. 45, pp. 449458, 2012. View at Publisher View at Google Scholar N. Cui, Y. Lei, and W. Fang, Design and impact estimation of a reform program of Chinax27s tax and fee policies for low-grade oil and gas resources, Petroleum Science . vol. 8, no. 4, pp. 515526, 2011. View at Publisher View at Google Scholar View at Scopus Y. L. Lei, N. Cui, and D. Y. Pan, Economic and social effects analysis of mineral development in China and policy implications, Resources Policy . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 61, no. 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 . vol. 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 . vol. 21, no. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 25, não. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 8, no. 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 . vol. 43, não. 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 . vol. 10, no. 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 . vol. 19, no. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 51, no. 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 . vol. 20, no. 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 . vol. 10, no. 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 . vol. 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 . vol. 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 . vol. 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 . vol. 21, no. 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 . vol. 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 . vol. 20, no. 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 . vol. 20, no. 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 . vol. 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 . vol. 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.