Trading System Using Matlab

Se eu entendi bem, você está falando especificamente sobre a facilidade de geração de código embutido do Matlabs (veja aqui: mathworks. chembedded-code-generation). Na minha opinião, a resposta à sua pergunta é claramente sim. Este recurso permite gerar código específico de hardware, p. Para implantação em GPUs (placas de vídeo). É utilizado para sistemas aeroespaciais, entre outros. Em nossa área de especialização, este é provavelmente tão rápido quanto é hoje, pelo menos para alguns tipos de modelos. Como regra geral: quanto mais complexo o seu modelo, mais você obtém uma vantagem competitiva com esta tecnologia. Na minha opinião, isso favorece as estratégias de média e alta freqüência (os modelos ultra-HF são geralmente muito mais simples, então a sobrecarga de roteamento de chamadas para hardware secundário é normalmente muito lenta para modelos lentos, não vale a pena porque você tem tempo suficiente Para executá-lo em um desktop bem equipado). Um exemplo típico em que isso realmente vale a pena é uma simulação de monte carlo para calcular um VaR para o dimensionamento de risco de uma estratégia de negociação intraday. Na minha opinião, mesmo sem geração de código, o Matlab é também uma ferramenta muito robusta e rápida para uso em produção. Por exemplo, você pode compilar o código e, se bem feito, isso é muito mais rápido do que R. Na verdade, a empresa que eu trabalho para a tecnologia e implementação da estratégia de negociação para os fundos de hedge, e Matlab é uma das tecnologias que usamos com muita freqüência . A geração de código, por outro lado, ainda é vista como líder por muitos. Assim, o tempo ainda pode ser correto para obter uma vantagem comparativa, usando-o -) respondeu 18 dezembro às 20:02 Não tenho certeza que eu chamaria a geração de código em Matlab quotleading edgequot, pode por definição (devido à sobrecarga que vem Com ele) não ser mais rápido do que o código puro escrito em C ou C, mesmo C em muitos casos batidas Matlab código gerado, se não escrito sob a influência do álcool. Mas certamente é muito conveniente e acelera o desenvolvimento. Claro, se você gerar código para C, então won39t ser mais rápido do que C. Além disso, algumas funções podem até ser mais rápido no Matlab nativo (veja aqui para mais detalhes: blogs. mathworksloren20111114hellip). No entanto, a nossa experiência mostra que com uma estratégia inteligente usando MEX para gargalos, o seu desempenho geral, muitas vezes bateu nativo C e Matlab. Mas, como eu disse, para muitas aplicações não vale a pena. E, se você tiver boas habilidades de C, você pode também desenvolver diretamente em C. ndash Christoph Glur 19 de dezembro às 9:43 Se você for acelerador cheio eu diria que é difícil de bater código nativo C, no final Matlab não é Fazendo muito mais do que scripting código e chama um compilador. Matlab não é o único ambiente de linguagem que pode realizar cálculos vetoriais e matriciais. Além disso, no final Matlab apenas adiciona outra camada em cima da base de código é forçado a usar para acessar GPUs, por exemplo. Então, ele pode chegar perto de C ou C, mas eu não vejo um único argumento onde se pode alegar que ele bate bases de código nativo. Mas isso afasta-se da discussão central. Ndash Matt Wolf 19 de dezembro às 9: 52Advanced Source Code. Com. Clique aqui para baixar. Algoritmos genéticos pertencem a uma classe de algoritmos de aprendizagem de máquina que têm sido utilizados com sucesso em uma série de áreas de pesquisa. Há um interesse crescente em seu uso na economia financeira, mas até agora tem havido pouca análise formal. No mercado de ações, uma regra de negociação técnica é uma ferramenta popular para analistas e usuários para fazer sua pesquisa e decidir comprar ou vender suas ações. A questão chave para o sucesso de uma regra de negociação é a seleção de valores para todos os parâmetros e suas combinações. No entanto, o intervalo de parâmetros pode variar em um domínio grande, portanto, é difícil para os usuários encontrar a melhor combinação de parâmetros. Usando um algoritmo genético, podemos olhar para a estrutura e os parâmetros das regras ao mesmo tempo. Optimizamos um sistema de trading que foi desenvolvido por Alfredo Rosa utilizando algoritmos genéticos. Uma nova e complexa regra comercial de 16 barras foi descoberta e testada em FIB italiana com resultados brilhantes. Termos de indexação: Matlab, fonte, código, mineração de dados, sistema de negociação, previsão do mercado de ações, extração de regra de negociação, algoritmos genéticos, sistemas de negociação, gráfico de barras, gráficos de velas, padrões de preços, combinação de parâmetros. Figura 1. Estrutura genética Um padrão de preço complexo otimizado descoberto por algoritmos genéticos. Código de demonstração (arquivos P protegidos) disponível para avaliação de desempenho. Matlab Financial Toolbox, Genetic Algorithm e Direct Search Toolbox são obrigatórios. Recomendamos verificar a conexão segura com o PayPal, a fim de evitar qualquer fraude. Essa doação deve ser considerada um encorajamento para melhorar o próprio código. Genetic Trading System - Clique aqui para sua doação. Para obter o código fonte você tem que pagar uma pequena soma de dinheiro: 90 EUROS (menos de 126 dólares dos EUA). Depois de ter feito isso, envie um e-mail para luigi. rosatiscali. it Logo que possível (em poucos dias) você receberá nosso novo lançamento do Genetic Trading System. Melhorando os sistemas de negociação técnica usando um novo algoritmo genético baseado em MATLAB procedimento Estudos recentes nos mercados financeiros sugerem que a análise técnica pode ser uma ferramenta muito útil na previsão da tendência. Os sistemas de negociação são amplamente utilizados para avaliação de mercado, no entanto, a otimização de parâmetros desses sistemas atraiu pouco interesse. Neste artigo, para explorar o potencial do comércio digital, apresentamos uma nova ferramenta MATLAB baseada em algoritmos genéticos, a ferramenta especializada na otimização de parâmetros de regras técnicas. Utiliza o poder de algoritmos genéticos para gerar soluções rápidas e eficientes em termos comerciais reais. A nossa ferramenta foi testada extensivamente sobre dados históricos de um fundo UBS que investe em mercados de acções emergentes através do nosso sistema técnico específico. Os resultados mostram que o nosso GATradeTool proposto supera as ferramentas de software comumente usadas, não adaptativas, com respeito à estabilidade do retorno e economia de tempo ao longo de todo o período de amostragem. No entanto, apresentamos evidências de um possível efeito de tamanho populacional na qualidade das soluções. Mercados financeiros Previsão Algoritmos genéticos Investimento Regras técnicas 1. Introdução Os comerciantes e analistas de investimento da Todayrsquos necessitam de ferramentas rápidas e eficientes num mercado financeiro implacável. Batalhas na negociação são agora principalmente travada em velocidade do computador. O desenvolvimento de novas tecnologias de software ea aparência de novos ambientes de software (por exemplo, MATLAB) fornecem a base para a resolução de problemas financeiros difíceis em tempo real. MATLABrsquos vasta built-in funcionalidade matemática e financeira, o fato de que é tanto uma linguagem de programação interpretada e compilada e sua independência plataforma torná-lo bem adaptado para o desenvolvimento de aplicações financeiras. Evidências sobre os retornos obtidos por regras técnicas, incluindo estratégias de impulso (por exemplo, 14. 15. 16. 16. 25 xA0andxA020), regras de média móvel e outros sistemas de negociação 6. 2. 9 xA0andxA024 pode apoiar a importância da análise técnica. No entanto, a maioria destes estudos ignorou a questão da otimização de parâmetros, deixando-os abertos à crítica de dados snooping ea possibilidade de viés de sobrevivência 7. 17 xA0andxA08. Tradicionalmente, os pesquisadores usaram especificação ad hoc de regras de negociação. Eles usam uma configuração popular padrão ou tentam aleatoriamente alguns parâmetros diferentes e selecionam o melhor com critérios baseados no retorno principalmente. Papadamou e Stephanides 23. implementaram uma nova caixa de ferramentas baseada em MATLAB para negociação técnica assistida por computador que incluiu um procedimento para problemas de otimização de parâmetros. No entanto, o ponto fraco de seu procedimento de otimização é o tempo: a função objetivo (por exemplo lucro) não é uma função de erro quadrático simples, mas complicada (cada iteração de otimização passa pelos dados, gera sinais de negociação, calcula lucros, etc.). Quando os conjuntos de dados são grandes e você gostaria de reoptimize seu sistema muitas vezes e você precisa de uma solução o mais rapidamente possível, em seguida, tentar todas as soluções possíveis para obter o melhor seria uma tarefa muito tediosa. Os algoritmos genéticos (GAs) são mais adequados, uma vez que realizam pesquisas aleatórias de forma estruturada e convergem muito rapidamente em populações de soluções quase óptimas. O GA lhe dará um conjunto (população) de soluções ldquogoodrdquo. Os analistas estão interessados ​​em obter algumas boas soluções o mais rápido possível, em vez de a melhor solução global. A melhor solução global existe, mas é altamente improvável que ela continue a ser a melhor. O objetivo deste estudo é mostrar como algoritmos genéticos, uma classe de algoritmos em computação evolutiva, podem ser empregados para melhorar o desempenho ea eficiência dos sistemas de negociação informatizados. Não se trata aqui de fornecer uma justificação teórica ou empírica para a análise técnica. Demonstramos nossa abordagem em uma tarefa de previsão específica baseada em mercados emergentes. Este artigo está organizado da seguinte forma. Trabalhos anteriores são apresentados na Seção 2. O conjunto de dados e nossa metodologia são descritos na Seção 3. Os resultados empíricos são discutidos na Seção 4. Conclusões segue Seção 5. 2. Trabalhos anteriores Há um grande corpo de trabalho GA na área de ciência da computação e engenharia, mas pouco trabalho tem sido feito sobre áreas de negócios relacionados. Ultimamente, tem havido um interesse crescente no uso de GA na economia financeira, mas até agora tem havido pouca investigação sobre o comércio automatizado. Para nosso conhecimento, o primeiro artigo publicado vinculando algoritmos genéticos a investimentos foi de Bauer e Liepins 4. Bauer 5 em seu livro ldquoGenetic Algorithms and Investment strategiesrdquo ofereceu orientações práticas sobre como GAs poderia ser usado para desenvolver estratégias de negociação atraente com base em informações fundamentais. Estas técnicas podem ser facilmente alargadas para incluir outros tipos de informação, tais como dados técnicos e macroeconómicos, bem como os preços passados. De acordo com Allen e Karjalainen 1. o algoritmo genético é um método apropriado para descobrir regras técnicas de negociação. Fernaacutendez-Rodriacuteguez et al. 11, adotando a otimização de algoritmos genéticos em uma simples regra de negociação fornecem evidências para o uso bem-sucedido de GAs da Bolsa de Valores de Madri. Alguns outros estudos interessados ​​são aqueles de Mahfoud e Mani 18 que apresentaram um novo sistema baseado em algoritmos genéticos e aplicaram-na à tarefa de predizer os desempenhos futuros de estoques individuais por Neely et al. 21 e por Oussaidene et al. 22 que aplicou a programação genética à previsão de câmbio e relatou algum sucesso. Uma das complicações na otimização GA é que o usuário deve definir um conjunto de parâmetros, tais como a taxa de cruzamento, o tamanho da população ea taxa de mutação. De acordo com De Jong 10, que estudou algoritmos genéticos na otimização de funções, o bom desempenho GA requer alta probabilidade de cruzamento (inversamente proporcional ao tamanho da população) e um tamanho populacional moderado. Goldberg 12 e Markellos 19 sugerem que um conjunto de parâmetros que funciona bem em muitos problemas é um parâmetro de crossover 0,6, tamanho de população 30 e parâmetro de mutação 0,0333. Bauer 4 realizou uma série de simulações sobre problemas de otimização financeira e confirmou a validade das sugestões Goldbergrsquos. No presente estudo, realizaremos um estudo de simulação limitado, testando várias configurações de parâmetros para o sistema de negociação escolhido. Também forneceremos evidências para o GA proposto comparando nossa ferramenta com outras ferramentas de software.