मैटलैब - व्यापार प्रणाली के विकास

बिटफाईक्स ने आज घोषणा की कि उनके प्लेटफॉर्म पर ट्रेडिंग उत्पाद के रूप में खनन अनुबंध की शुरुआत 3 महीने में समापन के साथ प्रति सेकंड 100 THS terahashes प्रति माह TH1BTC नाम के तहत व्यापार के लिए उपलब्ध कराया गया है 100 THS 3500 THS के बड़े पूल का हिस्सा हैं इतने अधिक खनन अनुबंध भविष्य में उपलब्ध हो सकते हैं दिलचस्प बात यह है कि यह पहली बार है कि यह खनन अनुबंध को छोटा करना संभव है। एक खनन अनुबंध को बंद करने का मतलब है कि अब हम इसे बेचने वाली कीमत और बाद में लाभांश दे रहे हैं। अगले 3 महीने में बिटकॉइन अनुबंध के मध्य दिसंबर के अंत में समाप्त होने तक एक लाभ दिया जाता है, अगर सभी लाभांश का भुगतान किया जाता है, साथ ही अनुबंध को कम करने के लिए हमने जो ब्याज भुगतान किया था, उस समय की तुलना में कम है जब हमने इसे बेच दिया था किसी और को स्पष्ट रूप से अनुबंध करें। इसका अर्थ है कि TH1BTC की कीमत महत्व के क्रम में 3 चर पर निर्भर होनी चाहिए। खनन की समस्या 15 दिसंबर तक बदल दी जाएगी। मुझे 15 दिसंबर तक ब्याज ब्याज दर ब्याज दर स्वैप दर। यदि कठिनाई बढ़ जाती है तो लाभांश भुगतान में छोटा हो जाता है क्योंकि 1 THS पूरे नेटवर्क हैशिंग पावर का एक छोटा अंश का प्रतिनिधित्व करता है इसलिए एक अनुबंध की कीमत कम होनी चाहिए, अगर कठिनाई बढ़ जाती है तो हम करीब समाप्ति तक पहुंचते हैं बुखार Bitcoins कुल में 1 टीएचएस के साथ मन हो सकता है इसलिए एक अनुबंध की कीमत करीब हम समाप्ति के लिए कम हो जाना चाहिए और समाप्ति पर 0 की कीमत तक पहुँचने। अधिक ब्याज दर अधिक महंगा यह दर्ज करने और रखने के लिए अनुबंध है 3 महीने की पूर्ण लंबाई बिटफाईएक्स 90 दिनों के स्वैप की पेशकश नहीं करता है, इसलिए अंत में जब तक अंत में ब्याज दर जोखिम का थोड़ा असर नहीं होता है, तब तक एक अनुबंध में प्रवेश करना क्योंकि किसी बिंदु पर एक नया स्वैप संभावित रूप से बाहर ले जाना होता है प्रतिकूल ब्याज दर यह एक समस्या से कम है जब लंबे समय से बिटकॉइन दरें कम होने के समय की तुलना में कम होती हैं, कुल में कुल 100 कॉन्ट्रैक्ट्स उपलब्ध हैं, कोई भी नहीं डी शॉर्टिंग जब स्वैप दरें बढ़ रही हैं तो जोखिम की कीमतों की भरपाई करनी चाहिए। बड़े अज्ञात अगले 9 0 दिनों में खनन की मुश्किलों में बदलाव का है। निम्नलिखित आंकड़े में हम देखते हैं कि पिछले 6 महीने में कितनी कठिनाई बदल गई है। डेटा ट्रेडब्लॉक से है और यह न केवल दिखाता है कि पिछली हश दर के आधार पर हर 14 दिनों में कठिनाई में बदलाव की गहराई से कोई बदलाव नहीं किया जाता है। अधिक जानकारी को विकी में पाया जा सकता है लेकिन कुछ मूल सारांश के आंकड़े भी औसत कठिनाई पर 27 पिछले 60 दिनों में 30 दिन और 77. एक TH1 बीटीसी की उचित कीमत का अनुमान लगाने के लिए हम यह मानेंगे कि अगले 3 महीनों में यह कठिनाई औसत 15 प्रति माह बढ़ेगी वर्तमान में 1 टीएचएस के एक अनुबंध खरीदने की कीमत 2 बीटीसी पूल है शुल्क 3 है और हम ब्याज दरों की अनदेखी करेंगे। हम सभी जानकारी को भरने के बाद निम्न परिणाम प्राप्त करते हैं। यदि हम लंबे समय से एक अनुबंध के आधार पर हमारी धारणाओं पर आधारित होते हैं तो हम लगभग 0 39 बिट्स का नुकसान वास्तविकता में थोड़ी अधिक आइना क्योंकि हम दिसम्बर के मध्य तक सितंबर के मध्य में खनन शुरू कर देंगे क्योंकि अपेक्षित लाभांश मासिक राजस्व अनुबंध की समाप्ति से पहले 2 बीटीसी की हमारी शुरुआती लागतों को नहीं कवर करने जा रहा है। दूसरी ओर, 2 बिटकॉइन की कीमत पर लगभग 3 0 बिटकॉइन प्रति कॉन्ट्रैक्ट का लाभ मिलेगा यह ध्यान रखें कि हमने स्वैप की कीमतें शामिल नहीं की हैं, जो वर्तमान में 1 प्रति दिन हैं। परिणाम देखने के दो तरीके हैं या तो हम कह सकते हैं TH1 बीटीसी के लिए कीमतें वर्तमान में अतिव्यापी हैं और लगभग 1 5 बीटीसी के करीब होनी चाहिए यदि हम मानते हैं कि 15 से अधिक महीनों में कठिनाई बढ़ जाएगी तो कीमतें उसके मुकाबले कम होनी चाहिए या हम यह कह सकते हैं कि बाजार कुशल है और कीमतें सही हैं, जो यह दर्शाता है कि बाजार में अगले 9 0 दिनों में औसतन करीब 2 प्रति माह की कमी करने की उम्मीद है, या तो किसी भी तरह से परिणाम 90 दिनों में निश्चित रूप से ज्ञात होगा। हाल ही में बिटकॉइन फ्लैश क्रैश से उबरने के लिए संघर्ष जो बीटाफेनिक्स पर शुरु हुआ था, केवल चार दिन बीटकॉइन की कीमतें आज एक और गोता लग गईं क्योंकि मार्जिन व्यापारियों को बीटीसी-ए पर अपने पदों को समाप्त कर दिया गया था। इस घटना की शुरुआत 1 36 बजे यूटीसी 1 के दौरान हुई जब बड़े बिकने वाले ऑर्डर को तीसरा सबसे बड़ा पश्चिमी बिटकॉइन एक्सचेंज बीटीसी-ए नीचे की ओर तेजी से बढ़ोतरी के कारण ऑर्डरबुक तेजी से पतला हो गया, कीमतों में 1 से 43 रुपये प्रति बिटकॉइन की कीमतों में गिरावट आई थी। अगले मिनट में कीमतों में तेज गिरावट आई और 442 अमेरिकी डालर के आसपास थी, क्योंकि मध्यस्थ व्यापारियों ने फायदा उठाना शुरू कर दिया अन्य एक्सचेंजेस के मुकाबले छूट का। बीटीसी-ए कुछ बड़े एक्सचेंजों में से एक है जो नवंबर 2013 से मेटाट्रेडर प्लेटफॉर्म के माध्यम से अपने ग्राहकों को मार्जिन व्यापार की पेशकश करता है, लेकिन मार्जिन ट्रेडिंग के लिए जरूरी निधि का आकस्मिक रूप से भुगतान करने का विवरण अस्पष्ट रहा है आकार और विशेष रूप से मार्जिन व्यापारियों की ओर से क्रैश पॉइंट्स का समय समाप्त हो रहा है या आदेश को बंद किया जा रहा है, जैसे कि बिटफाईनेक्स पर जो कुछ हुआ ys ago हालांकि, बिटफाईक्स के विपरीत, जो खुले स्वैप पदों के बारे में पारदर्शी है, बीटीसी-ए महत्वपूर्ण डेटा प्रदान नहीं करता है जो कि अधिक गहन विश्लेषण प्रदान करने के लिए आवश्यक होगा और इसलिए यह अंतिम विवरण केवल एक अच्छा अनुमान माना जा सकता है। Bitfinex के विपरीत, जो पर निर्भर है ऑर्डर प्रवाह को नियंत्रित करने के प्रयास में एक गुप्त एल्गोरिथ्म बीटीसी-ई के पास ऐसी घटनाओं को कम करने के लिए विशेष सुरक्षा उपायों का नहीं लगता है 400 से नीचे गिरावट मुख्य रूप से ऑर्डर बुक में बोलियों की कमी के कारण थी और नहीं, क्योंकि बाजार का मानना ​​था कि सच मूल्य 400 से नीचे था, जैसा कि रिबाउंड 440 से अधिक मिनटों तक वापस आ गया था, बाद में मूल रूप से यह साबित हुआ कि, चरम नीचे की अस्थिरता के दौरान व्यापार को रोकना आसानी से मार्जिन व्यापारियों के बीच खून बह रहा था ताकि अन्य बाजार सहभागियों को ऑर्डरबुक को मोड़ने के लिए और अधिक समय दिया जा सके। अद्यतन 4 58 पीएम यूटीसी 1 ब्रैकोओइरा ने रेडित को मेटाट्रेडर प्लेटफॉर्म से डेटा के आधार पर एक रोचक ग्राफ पर पोस्ट किया। इस आलेख का अर्थ है कि एक बड़ा आदेश इस घटना का कारण था चाहे एक मार्जिन कॉल, एक साधारण गलती, बाजार में हेरफेर करने या एक बड़ी शॉर्ट पोजिशन खोलने के कारण आदेश बनाया गया था, अस्पष्ट सामान्य ज्ञान यह सुझाव दे सकता है कि यह संभवतः एक बड़े व्यापारी की मार्जिन कॉल का परिणाम था। मेरे पिछले पोस्ट इस विषय पर हालिया विटकोइन फ्लैश क्रैश के बाद चर्चा के दौरान लाया गया है। कोइंडसेक इसे लेने के लिए सबसे पहले था और तब से पारदर्शिता के बारे में विभिन्न पदों और सक्रिय रूप से ऑर्डर निष्पादन को प्रबंधित करने के लिए एक्सचेंजों की संभावित जिम्मेदारी दिखाई दे रही है उन घटनाओं के परिणामस्वरूप, जोश रॉसी, बिजटिनेक्स के बिज़नेस डेवलपमेंट के उपाध्यक्ष रेडित के पास एक्सचेंज के खिलाफ उठाए गए कुछ मुद्दों को खुले तौर पर संबोधित करने के लिए गए। तथ्यों को हम सुनिश्चित करने के लिए जानते हैं कि कुछ बड़े बेचने के आदेश दुर्घटना शुरू हुई, उदाहरण के लिए, बीटस्टैम्प पर 9 4 9 यूटीसी 1 पर 500 बेचने का ऑर्डर, लगभग 6 मिनट पहले बिटफाईक्स पर बड़े बिकने वाले ऑर्डर ने दुर्घटना शुरू की, हालांकि, डेटा हमें नहीं बताता हालांकि यह अंदरूनी व्यापार, बाजार में कुछ हेरफेर या एक साधारण गलती थी। वास्तव में यह है कि बिटकॉइन फ्लैश क्रैश ओपन स्वैप पदों के बाद लगभग 28 मीटर से 24 मीटर तक कमी आई, जो इंगित करता है कि लगभग 8400 मार्जिन लंबे पदों को बंद कर दिया गया था, एक तरफ 475 मार्जिन कॉल या किसी अन्य स्टॉप ऑर्डर को प्रभावित करता है डेटा हमें बताता नहीं है कि अनुपात क्या है, लेकिन जोश के मुताबिक मार्जिन कॉल्स के परिणाम के रूप में केवल 650 बिटकॉन्स बेचे गए हैं। जैसा कि योनातन लेविन ने सही तरीके से बताया है, यह है कि लगभग 24 घंटे पहले बिटकॉइन फ़्लैश दुर्घटना तक दुर्घटना तक एक अतिरिक्त 1000 बिटकॉन्स को छोटी स्थिति में ले जाया गया था और लगभग 2500 शॉर्ट्स को दुर्घटना के दौरान बंद कर दिया गया था कि क्या उन शॉर्ट्स को मौजूदा स्थिति में बचाव के लिए खोला गया था, एक मार्जिन कॉल को ट्रिगर करने का एक दुर्भावनापूर्ण प्रयास निजी जानकारी का उपयोग करके बाजार को सामने से चलाने के लिए उपलब्ध डेटा से निर्धारित नहीं किया जा सकता है, हालांकि यह अजीब रूप से संदिग्ध दिखता है। अप्रत्याशित क्या था। व्यक्तिगत रूप से, अंतर एस्टिंग पॉइंट यह नहीं है कि बिटकॉइन फ्लैश क्रैश हुआ है अतीत में अचानक कीमत में उतार-चढ़ाव हुआ है और भविष्य में होगा, खासकर बिटुकोइन जैसे अतरल बाजारों में। दिलचस्प बात यह है कि बिटफाईनेक्स की भागीदारी और कैसे वे पहले से बाजार सहभागियों को सूचित किए बिना सक्रिय रूप से ऑर्डर निष्पादन को प्रबंधित करते हैं बीटफ़ाईनेक्स मिलान इंजन पूरे दुर्घटना के दौरान बंद नहीं हुआ था, हालांकि 2012 में दुर्घटना के दौरान अब मृत एमटीजीओक्स एक्सचेंज पर कुख्यात 70 मिनट के ऑर्डर के अंतराल के रूप में यह धीमा था लेकिन कहीं भी बुरे नहीं था, हालांकि, उन्होंने क्या कुछ शुरुआत की इसका मतलब यह है कि वे अनिवार्य रूप से ध्वज के आदेश को अमान्य या संभावित रूप से खतरनाक मानते हैं और जानबूझकर उन्हें धीमा कर देते हैं। पहली नजर में यह एक अच्छा विचार की तरह लग सकता है कि कौन से फिल्टर को दुर्भावनापूर्ण आदेशों को हटाने या धीमा करने के लिए नहीं चाहिए हालांकि, उन चीजों के साथ जितनी बार शैतान विस्तार में होता है। समस्या यह है कि बिटफ़िएनेक्स और संभवत: कभी भी पीए नहीं होगा स्पष्ट है कि वे एक आदेश को खराब के रूप में कैसे वर्गीकृत करते हैं और इसे धीमा कर देते हैं यदि बाजार सहभागिता एक पतली ऑर्डर बुक के खिलाफ एक बड़े बेचने का आदेश देने का निर्णय करता है तो उसका निर्णय यह है कि उसकी कार्रवाई का उद्देश्य था या नहीं यह तय करने के लिए एक्सचेंज पर निर्भर नहीं है हो सकता है कि यह बाजार सहभागिता केवल एक प्रमुख घटना पर प्रतिक्रिया करने वाला पहला व्यक्ति था और एक प्रमुख मूल्य चाल की प्रत्याशा में परिणामी स्लिप्पेज की अतिरिक्त लागतों को सहन करने के लिए पूरी तरह से तैयार है। यह केवल एक प्राथमिकता के आदेश को सही ढंग से वर्गीकृत करने का एक तरीका मौजूद नहीं है जैसा कि अच्छा या बुरा है क्योंकि वह सभी तत्काल भविष्य की घटनाओं का ज्ञान स्वचालित रूप से ग्रहण करेगा। क्या सुधार किया जा सकता है। मिस्टेक्स मोटी एंगली, एल्गोरिथ्म हो रहा है, हाशिये बुलाए जाते हैं और लोग हर संभव तरीके से सिस्टम को खेलने का प्रयास करते हैं तार्किक रूप से सुरक्षा उपायों को बाजारों और उसके प्रतिभागियों को सुरक्षित रखने के लिए जगह में बिटफाईक्स निश्चित तौर पर संभावित विषाक्त ऑर्डर प्रवाह के बारे में पता था और काउंटर के उपाय तैयार किए थे। छुपा सुरक्षा सुविधाओं के बारे में ईआईआर ग्राहक। जनता से उन सुरक्षा उपायों को छोड़कर बाजार में अनिश्चितता बढ़ जाती है, खासकर अब जब कि हम जानते हैं कि वे मौजूद हैं और कभी-कभी कुछ करते हैं और अनिवार्य रूप से प्रत्येक व्यापारियों को बिथफाईक्स के हाथों में विश्वास रखता है इस बिंदु पर एक व्यापारी केवल उम्मीद कर सकता है कि बिटफाईनक्स हमेशा अपने ग्राहकों के अच्छे इरादों में कार्य करेगा यह आशा बेकार हो सकती है, चूंकि बिटफाईनेक्स ट्रेडिंग फीस से पैसा कमाता है, आज़ादी से कि क्या कोई व्यापारी वास्तव में पैसे कमाता है एक को लंबे समय तक सोचने की ज़रूरत नहीं है कि वह दुर्व्यवहार के लिए छिपी संभावित ऐसे सिस्टम। जोश द्वारा लाया गया मुख्य कारण क्यों बिटफाईनेक्स अपने एल्गोरिदम को प्रचारित करने का इरादा नहीं है व्यापारियों को इसका फायदा उठाने की संभावना से बचने के लिए बोगस है और निम्नलिखित शो क्यों हैं। ये नास्डैक द्वारा उपयोग किए जाने वाले आधिकारिक बाजार व्यापक सर्किट तोड़ने वाले हैं, ऑनलाइन और पूरी तरह से पारदर्शी प्रत्येक बाजार प्रतिभागी के लिए उन नियम निश्चित रूप से परिपूर्ण नहीं हैं, लेकिन वे सरल, पारदर्शी और एक के लिए काम करते हैं दुनिया में सबसे बड़े स्टॉक मार्केट का अब, मुझे बिटफाईनक्स मंच पर काम करने वाले लोगों के लिए बहुत सम्मान है, लेकिन मुझे संदेह है कि वे एक एल्गोरिथ्म के साथ आने में कामयाब रहे जो बाजार के प्रतिभागियों को एक बड़े विनिमय व्यापार द्वारा इस्तेमाल किए जाने वाले लोगों की तुलना में बेहतर बना देता है औसत पर प्रति दिन 900 मिलियन शेयरों की तुलना में और अगर उन्होंने किया, तो अब यह बिटफ़ाईनेक्स को दुनिया में साबित करने का मौका देता है और संभावित रूप से बड़े लड़कों को पढ़ाने के लिए इतिहास लिख सकता है कि कैसे ठीक से विनिमय का संचालन किया जाए। जब ​​यह सार्वजनिक आदान-प्रदानों की बात आती है तो पारदर्शिता केवल बिटफिनएक्स के लिए ही नहीं बल्कि किसी भी एक्सचेंज के लिए बाजार सहभागियों को यह जानना होगा कि जब वे कोई ऑर्डर करते हैं तब क्या होता है और किसी भी परिस्थिति में अकेले अच्छे विश्वास पर भरोसा करना नहीं होता है सुरक्षा उपायों महत्वपूर्ण होती हैं क्योंकि दुर्घटनाएं होती हैं और बाजार में दुर्घटना होती है लेकिन यह अपार नहीं है गुप्त आदेश भेदभाव में संलग्न मुद्रा विदेशी बाजारों की रक्षा करने के लिए अलग-अलग तरीके हैं और इनमें से कोई भी सही नहीं है जटिलता को जोड़ना आम तौर पर बिना मस्तिष्क का मौका बढ़ जाता है nded साइड इफेक्ट्स और इसलिए एक सरल, पारदर्शी दृष्टिकोण एक छिपी, जटिल एक से अधिक उपयुक्त लगता है। दो दिन पहले बिटमैक्स ने अपने व्यापारिक शुल्क को घटाकर 0 कर दिया और इसे गिथूब पर बुनियादी बाजार बनाने वाले बॉट जारी करके मनाया। बिटमैक्स वर्तमान में एक व्यापार चुनौती चला रहा है अपने नए मंच को बढ़ावा देने के लिए 29 अगस्त 2014 तक, मार्केट मार्केटिंग बॉटस को जारी करना शायद एक दिलचस्प और कारगर तरीका है जो कि एपीआई यातायात में वृद्धि करता है और प्लेटफ़ॉर्म को थोड़ा सा तनाव का परीक्षण करता है बेशक मैं इसका विरोध नहीं कर सका और एक नजर था। बाज़ार निर्माता एक कांटा है बंद लिक्विबोट जो मूल रूप से अब अप्रचलित एमटीजीओएक्स एक्सचेंज पर चलने के लिए डिज़ाइन किया गया था, बिटमैक्स से जुड़ने के लिए कुछ नए बदलाव नए एपीआई क्लास थे, कुछ अतिरिक्त प्रिंट कंसोल करने के लिए, फ्यूचर कॉन्ट्रैक्ट्स के अनुकूल होने वाले परिवर्तन, और शुरू होने पर सांत्वना देने के लिए एक विशाल और अनावश्यक प्रिंट लेकिन व्यापार तर्क के लिए कोई महत्वपूर्ण बदलाव नहीं हैं। एल्गोरिथ्म रीस्ट का उपयोग करता है और परिवर्तनों के लिए प्रत्येक 60 सेकेंड की जांच करता है यह पहले से ही बॉट को अयोग्य बना देता है क्योंकि यह बहुत धीमी है ऑर्डरबुक में चालू बदलावों पर प्रतिक्रिया करने के लिए बिटमैक्स को बाकी प्रत्येक 150 मिनट में 150 एपीआई के लिए अनुरोध करता है ताकि आप कुछ सेकंड के लिए 60 सेकेंड कम करने की कोशिश कर सकें लेकिन यह इस तथ्य को नहीं बदला कि जैसे ही बाजारों में बढ़ोतरी शुरू होती है, आप हिट हो जाएंगे सीमाएं और खुले स्थान के साथ रहना उचित होगा, बीटएमएक्स एक मार्केटिंग स्टंट के रूप में अधिक बॉट प्रदान करता है और स्पष्ट रूप से बताता है कि वेबसकेट पर स्विच करना बेहद फायदेमंद होगा क्योंकि यह वास्तविक समय अपडेट की अनुमति देता है। कुल मिलाकर, एल्गोरिथ्म ठोस रूप से लिखा गया है, तकनीकी तौर पर काम करता है और सेटअप करने में आसान है, लेकिन यह आपको लंबे समय तक किसी भी पैसा नहीं बना देगा यदि कोई गंभीरता से इस बॉट को काम करने का विचार करता है तो मैं कोड को और अधिक उपयोगी बनाने के लिए निम्नलिखित छोटे परिवर्तनों की सिफारिश करेगा .1 Websocket.2 पर बंद करें close.3 पर स्थिति से बाहर निकलें इसके अलावा मैं मध्यस्थ से शुरू होने वाले आदेशों का निर्माण कर सकता हूं। इसके अलावा, मैं किसी भी तरह की अस्थिरता को मापने और गतिशील रूप से साथ ही आकार के बीच की दूरी को अनुकूलित करने की सलाह दूंगा। मेरे परीक्षण के दौरान एपीआई हमेशा उत्तरदायी और सटीक मात्रा पर एक्सचेंज अभी भी कम है लेकिन प्लेटफार्म की बुनियादी बातों का वादा किया जा रहा है यह बॉट बाजार बनाने और एल्गोरिथम व्यापार की दुनिया में उपयोगकर्ताओं को पेश करने का एक मजेदार उपकरण है, लेकिन यह स्थापित एल्गोरिदम के खिलाफ एक मौका नहीं खड़ा है। नोट अगर आप इस एल्गोरिथम का उपयोग करने पर विचार करते हैं ध्यान में रखते हुए कि बाजार बनाने का पूर्ण समय काम पूरा समर्पण, तेज प्रतिक्रिया समय और 100 अपटाइम से कुछ भी कम होता है, जिससे आपको पैसे कमाने का मौका मिलेगा.छोड़ने के बाद यहाँ पर का पालन करें। आज बिटकॉइन की कीमतों में से एक पर मार्जिन व्यापारियों के रूप में एक गोता लग गया सबसे बड़ा एक्सचेंज बीटफ़ाईनेक्स ने अपने ऑर्डर को नष्ट कर दिया है कई निकट बाजार पर्यवेक्षक और अधिक परिष्कृत व्यापारियों के लिए यह आश्चर्यचकित नहीं हुआ है, वास्तव में, बिटकॉइन की कीमतों में नए बुलबुले की प्रत्याशा के लिए पिछले कुछ महीनों में लंबी स्थिति लगातार बना रही है बिटफाईक्स पर बकाया स्वैप पदों में 30 मीटर के बराबर तक पहुंच गया। अब, यह कोई समस्या नहीं होगी, जब तक कि ऋण का समर्थन करने के लिए पर्याप्त पूंजी है, दुर्भाग्य हाल ही में, उन लंबी पोजीशन में से ज्यादातर 600 640 अमरीकी डालर बीटीसी के पास दर्ज किए गए थे और संपार्श्विक ज्यादातर बिटकोइन्स में ही उपलब्ध कराए गए थे। निम्नलिखित चार्ट ने अच्छी तरह से लंबे समय तक पदों के निर्माण को दिखाया है, 14 जुलाई के आसपास स्वैप के करीब 32 मी। 13 के बिटफाईनेक्स के रखरखाव के मार्जिन पर और संपार्श्विक के रूप में विकिपीडिया को मानते हुए हमें पता चलता है कि मार्जिन कॉल्स 520 540 अमरीकी डालर बीटीसी मार्केट के आसपास शुरू होनी चाहिए। कल, कीमतें करीब आ गईं और आज आखिरकार वे चट्टान पर कूद गए। समस्या यह है कि एक बार मार्जिन कॉल आपके पास एक व्यापक प्रभाव है जो ऑर्डर बुक के माध्यम से रिप्शन करता है, जिससे भी अधिक ऑर्डर नहीं लौटाते हैं और नीचे की गति को आगे बढ़ाते हैं और इन प्रकार की घटनाएं बीटकोइन एक्सचेंजों तक सीमित नहीं होतीं, लेकिन इस तरह के बड़े एक्सचेंजों में भी हो सकती हैं जैसे कि 2010 यूएस में फ्लैश क्रैश इस तरह के एक फ़्लैश crashe के कारण भिन्न हो सकते हैं और वसा उंगली गलतियों से प्रोग्रामिंग त्रुटियों से कैस्केडिंग मार्जिन कॉल करने के लिए। यह देखने के लिए दिलचस्प है कि कैसे एक्सचेंज इन घटनाओं से निपटते हैं अमेरिका में, नास्डैक ने मार्केट वाइड सर्किट ब्रेकरों को कार्यान्वित किया है जो इस तरह के चरम परिस्थितियों में व्यापार को रोकने के लिए प्रेरित करेगा। बीटकोइन मार्केट अभी तक उन्नत नहीं हैं और आमतौर पर ट्रेडिंग जारी है यदि हम आज बीटफाईक्स पर ऑर्डर की कार्रवाई को देखते हैं तो हम कुछ देखते हैं बहुत अजीब लगता है। यह लगता है और यह सिर्फ एक अनुमान है क्योंकि एक्सचेंज से कोई आधिकारिक टिप्पणी नहीं है, जैसे कि बिटफ़ाईनेक्स मार्जिन कॉल्स को संभालने के लिए एक एल्गोरिथ्म चला रहा है एल्गोरिथम बिक्री शुरू करता है, लेकिन 1 मिनट के भीतर ही कीमतों में 10 बूंद तक सीमित हो जाता है यदि कीमतें 1 मिनट में 10 से अधिक की गिरावट, यह बिक्री बंद हो जाएगी और खरीदने के आदेश का इंतजार खत्म हो जाएगा एक बार जब ऑर्डर बुक में कुछ निश्चित ऑर्डर मिलते हैं तो एल्गोरिथ्म फिर से बेचना शुरू हो जाता है जब तक सभी मार्जिन कॉल नहीं मिलते हैं लेमोघाई पहली बात थी यह इस पोस्ट में बाहर है और यह घटना के समय मेरी व्यक्तिगत अवलोकन से मेल खाता है। यह कैस्केडिंग मार्जिन कॉल्स से निपटने का एक दिलचस्प तरीका है, लेकिन यह भी विचार हो सकता है डी के रूप में सीमावर्ती बाजार में हेरफेर एक्सचेंज पक्ष से समय के साथ बेचने के आदेश को फैलाने से नीचे की गति कम हो जाती है, हालांकि व्यापारियों ने एक्सचेंज के खिलाफ कारोबार समाप्त कर दिया है, न कि बाजार अब और नहीं विनिमय उस समय एक सूचनात्मक लाभ है और इसलिए अधिक है व्यापारियों की तुलना में लाभ होने की संभावना सौभाग्य से, यह केवल 10 मिनट तक चली, जिसके बाद बाजार को नियंत्रण वापस दिया गया था। अन्य एक्सचेंज जो बीटीसी-ए और ओककोइन जैसे मार्जिन कारोबार की पेशकश करते हैं, अब एक अनुकूल स्थिति में हैं और आज से सीख सकते हैं घटनाएं सिस्टम को कार्यान्वित करना और बड़े करीने से बड़े एक्सचेंजों के सर्किट ब्रेकर्स जैसी दिखती हैं जैसे कि नास्डैक एक चतुर पहला कदम हो सकता है। हाल ही में मैं अपना नया ट्रेडिंग प्लैटफाइंग जा रहा हूं यह नया संस्करण अजगर पर आधारित है, MySQL का उपयोग सभी का डाटाबेस रखने के लिए करता है बिटकॉन्चर्ट्स से स्वचालित बैकफिल के साथ विभिन्न आभासी मुद्राओं की समय श्रृंखला और 3 प्रमुख एक्सचेंजों एमटीजीओएक्स, बीटीसी-ई और बिटस्टैम्प को एकीकृत करता है। कुछ रणनीतियों का समर्थन करने और स्वचालित व्यापार में संलग्न करने के लिए इस्तेमाल किया जायेगा। इसके लिए रन-अप के दौरान मैंने बीटीसी के कुछ डेटा को बिटकॉक्सिर्ट्स से अमरीकी डालर के पास खींचने का फैसला किया और हाशम और टिममारन 1995 द्वारा एक पेपर के विचारों के आधार पर एक सरल व्यापार रणनीति यह विचार एक प्रतिगमन के आधार पर टी 1 अवधि की वापसी का संकेत देने का है, जो कि पिछले एन अवधि के दौरान तकनीकी संकेतकों के स्वचालित चयन पर अनुमानित नहीं है, फिर टी 1 के बाद, हम मॉडल को ताज़ा करते हैं और टी 1 और इतने पर तक पिछले एन अवधि के उपलब्ध सभी डेटा का उपयोग करके टी 2 का अनुमान लगाने का प्रयास करें। मेरे बैचलर थीसिस के लिए मैंने विदेशी मुद्रा बाजार में चार अलग-अलग तकनीकी व्यापार नियमों की जांच की थी, यह विभिन्न मानदंडों के बीच वैध मॉडल की खोज के लिए एमसीएस और एसपीए टेस्ट का उपयोग करता है। जो डेटा स्नूपिंग के अधीन नहीं हैं यथार्थवादी लेनदेन लागत को देखते हुए हमें अतिरिक्त रिटर्न का कोई सबूत नहीं मिलता है, जो बाजार की दक्षता के अनुरूप है। इस कोड के साथ आप बीटकोइन आर्बिट्रेज की खोज कर पाएंगे। बीटीसी-ए के भीतर का अवसर यह एक कीमत के विचार का उपयोग करता है और त्रिकोणीय अंतरपणन पर लागू होता है, खाते की लागतों में वृद्धि करता है और फैलता है क्योंकि मैं इसे यहां पोस्ट करता हूं, इसके बावजूद यह काम करता है, संभावना है कि आप अन्य निवेशकों के साथ प्रतिस्पर्धा करने में भी धीमी गति से होंगे क्रमशः आदेश बुक की गहराई को ध्यान में रखना और व्यापार को गतिशील रूप से विभाजित करना, अन्य व्यापारियों को ऐसा करने की कोशिश करना, साथ ही बीटीसी-ए मैच इंजन की भौतिक स्थिति के करीब एक समर्पित सर्वर पर सब कुछ सेट करना चाहिए। अंतराल को कम करें और आपको एक संभावित बढ़त प्रदान करें। पोस्ट नेविगेशन। विज्ञान और इंजीनियरिंग में कम्प्यूटेशनल विधियों पर अंतर्राष्ट्रीय सम्मेलन की कार्यवाही 2004. एक नई MATLAB - आधारित आनुवंशिक एल्गोरिथ्म प्रक्रिया का उपयोग करके तकनीकी व्यापार प्रणालियों का विकास। अर्थशास्त्र, थिसली विश्वविद्यालय, आर्गनॉटन और फ़िलेलीन, वॉलोस, ग्रीस। बी एप्लाइड सूचना विज्ञान विभाग, मैसेडोनिया विश्वविद्यालय के विश्वविद्यालय और सोशल साइंसेस, इग्नाटियस 156, थेसालोनिकी 54006, ग्रीस। प्राप्त 18 मई 2006 15 दिसंबर 2006 को स्वीकार किया गया ऑनलाइन उपलब्ध 24 जनवरी 2007. वित्तीय बाजारों में हालिया अध्ययन से पता चलता है कि तकनीकी विश्लेषण प्रवृत्ति की भविष्यवाणी में एक बहुत ही उपयोगी उपकरण हो सकता है ट्रेडिंग सिस्टम व्यापक रूप से उपयोग किया जाता है हालांकि बाजार मूल्यांकन के लिए, इन प्रणालियों के पैरामीटर अनुकूलन ने थोड़ा दिलचस्पी आकर्षित की है इस पत्र में, डिजिटल व्यापार की संभावित शक्ति का पता लगाने के लिए, हम आनुवंशिक एल्गोरिदम के आधार पर एक नया MATLAB उपकरण पेश करते हैं जो उपकरण तकनीकी नियमों के पैरामीटर अनुकूलन में माहिर हैं यह शक्ति का उपयोग करता है वास्तविक व्यापारिक शब्दों में तेजी से और कुशल समाधान उत्पन्न करने के लिए आनुवंशिक एल्गोरिदम के हमारे उपकरण को हमारे विशिष्ट तकनीकी प्रणाली के माध्यम से उभरते शेयर बाजारों में निवेश करने वाले यूबीएस फंड के ऐतिहासिक आंकड़ों पर बड़े पैमाने पर परीक्षण किया गया परिणाम दर्शाते हैं कि हमारे प्रस्तावित गेटरेड टूल सामान्यतः इस्तेमाल, गैर-अनुकूली, पूरे नमूने पर वापसी और समय की बचत की स्थिरता के संबंध में उपकरण अवधि हालांकि, हमने समाधानों की गुणवत्ता में संभावित आबादी का आकार प्रभाव के प्रमाण प्रदान किए हैं। वित्तीय बाजार। आनुवंशिक एल्गोरिदम। तकनीकी नियम 1 परिचय। आज व्यापारियों और निवेश विश्लेषकों को एक क्रूर वित्तीय बाजार में तेजी से और कुशल उपकरण की आवश्यकता होती है व्यापार में लड़ाइयों अब व्यापार कर रहे हैं मुख्य रूप से कंप्यूटर की गति पर छपा नए सॉफ्टवेयर प्रौद्योगिकी के विकास और नए सॉफ्टवेयर वातावरणों की उपस्थिति जैसे कि MATLAB वास्तविक समय में जटिल वित्तीय समस्याओं को सुलझाने के लिए आधार प्रदान करता है, MATLAB के विशाल निर्मित गणितीय और वित्तीय कार्यक्षमता, तथ्य यह है कि यह दोनों एक व्याख्याकृत है और संकलित प्रोग्रामिंग भाषा और इसके प्लेटफॉर्म स्वतंत्रता, इसे वित्तीय अनुप्रयोग विकास के लिए अच्छी तरह अनुकूल बनाते हैं। तकनीकी नियमों द्वारा अर्जित रिटर्न पर प्रावधान, गति रणनीतियों जैसे 14 15 16 16 25 और 20, औसत नियमों और अन्य व्यापारिक प्रणालियों को चलाना 6 2 9 और 24 तकनीकी विश्लेषण के महत्व का समर्थन कर सकते हैं। हालांकि, इन अध्ययनों में से अधिकांश ने ध्यान नहीं दिया है पैरामीटर ऑप्टिमाइज़ेशन का मुद्दा, डेटा स्नूपिंग की आलोचना को छोड़कर और उत्तरजीविता पूर्वाग्रह की संभावना को छोड़कर 7 17 और 8 पारंपरिक रूप से शोधकर्ताओं ने व्यापारिक नियमों के तदर्थ विनिर्देश का इस्तेमाल किया है वे डिफ़ॉल्ट लोकप्रिय विन्यास का उपयोग करते हैं या बेतरतीब ढंग से कुछ अलग मानदंडों का उपयोग करते हैं मुख्य रूप से वापसी के आधार पर मानदंडों के साथ सबसे अच्छा। पप्पडम और स्टेफेन्स 23 ने कंप्यूटर सहायता प्राप्त तकनीकी व्यापार के लिए एक नया MATLAB - आधारित टूलबॉक्स लागू किया है जिसमें पैरामीटर अनुकूलन समस्याओं के लिए एक प्रक्रिया शामिल है हालांकि, उनके अनुकूलन प्रक्रिया के कमजोर बिंदु का उद्देश्य उद्देश्य फ़ंक्शन जैसे लाभ है टा सरल चुकता त्रुटि फ़ंक्शन लेकिन एक जटिल एक अनुकूलन चलना डेटा के माध्यम से चला जाता है, व्यापार संकेतों को उत्पन्न करता है, लाभ की गणना करता है, आदि जब डेटा सेट बड़े होते हैं और आप अक्सर अपने सिस्टम को दोबारा रिचाइंस्ट करना चाहते हैं और आपको जल्द से जल्द समाधान की आवश्यकता है, तो सबसे अच्छा एक पाने के लिए सभी संभावित समाधानों को बाहर करने का प्रयास करना बहुत कठिन काम होगा। जेनेट आईसी एल्गोरिदम GAs बेहतर ढंग से अनुकूल हैं क्योंकि वे एक संरचित तरीके से यादृच्छिक खोज करते हैं और आस-पास के समाधान के आबादी पर बहुत तेजी से एकजुट करते हैं GA आपको अच्छे समाधान की एक निश्चित आबादी देगा विश्लेषक कुछ ही अच्छे समाधानों को जितनी जल्दी संभव हो सके, उतने ही प्राप्त करने में रुचि रखते हैं। विश्व स्तर पर सबसे अच्छा समाधान की तुलना में विश्व का सबसे अच्छा समाधान मौजूद है, लेकिन यह बेहद संभावना नहीं है कि यह सबसे अच्छा होगा। इस अध्ययन का उद्देश्य यह दिखाना है कि विकासवादी गणना में एल्गोरिदम के एक वर्ग को कैसे नियोजित किया जा सकता है कम्प्यूटरीकृत व्यापारिक प्रणालियों के प्रदर्शन और दक्षता में सुधार करने के लिए यह तकनीकी विश्लेषण के लिए सैद्धांतिक या अनुभवजन्य औचित्य प्रदान करने का उद्देश्य नहीं है। हम उभरते शेयर बाजारों के आधार पर किसी विशेष पूर्वानुमान कार्य में हमारे दृष्टिकोण का प्रदर्शन करते हैं। धारा 2 में प्रस्तुत किया गया है डेटा सेट और हमारी पद्धति का वर्णन धारा 3 में किया गया है। अनुभवजन्य परिणाम डिस्कू हैं खंड 4 में ssed अनुभाग 5.2 का पालन करता है। पिछला कार्य। कंप्यूटर विज्ञान और इंजीनियरिंग क्षेत्रों में जीए का एक बड़ा काम है, लेकिन व्यापार से संबंधित क्षेत्रों के बारे में बहुत कम काम किया गया है। अंत में, वित्तीय अर्थशास्त्र में जीए के उपयोग में बढ़ती दिलचस्पी रही है , लेकिन अब तक स्वचालित व्यापार के बारे में थोड़ा शोध किया गया है। हमारे ज्ञान के लिए पहले प्रकाशित पेपर जो कि आनुवंशिक एल्गोरिदम को निवेश के लिए जोड़ता था, बोर और लिपिन 4 बोर 5 से अपनी पुस्तक जेनेटिक एल्गोरिदम और निवेश रणनीतियों में से व्यावहारिक मार्गदर्शन प्रदान किया गया था कि कैसे GAs का उपयोग किया जा सकता है मौलिक जानकारी के आधार पर आकर्षक व्यापारिक रणनीति विकसित करने के लिए ये तकनीकों को तकनीकी और मैक्रोइकॉनॉमिक डेटा के साथ-साथ पिछले कीमतों जैसे अन्य प्रकार की सूचनाओं को शामिल करने के लिए आसानी से बढ़ाया जा सकता है। एलेन और करजैलैन के अनुसार 1 आनुवंशिक एल्गोरिथ्म तकनीकी व्यापार नियमों को खोजने के लिए एक उपयुक्त तरीका है आनुवंशिक एल्गोरिदम अनुकूलन अपनाने के द्वारा फर्नांडीज-रॉडग्वेज़ एट ए 11 सरल व्यापार नियम मैड्रिड स्टॉक एक्सचेंज से जीए के सफल उपयोग के लिए सबूत प्रदान करते हैं कुछ अन्य रुचि अध्ययन महफौड और 18 मनी हैं जिन्होंने एक नया आनुवंशिक-एल्गोरिथ्म-आधारित प्रणाली प्रस्तुत की और इसे भविष्य के प्रदर्शन का अनुमान लगाने के कार्य पर लागू किया। Neely एट अल 21 और Oussaidene एट 22 द्वारा स्टॉक विदेशी विनिमय पूर्वानुमान करने के लिए आनुवंशिक प्रोग्रामिंग लागू किया और कुछ सफलता की सूचना दी। GA ऑप्टिमाइज़ेशन में जटिलताओं में से एक यह है कि यूजर को पारस्परिक दर, जनसंख्या आकार और उत्परिवर्तन दर डी जोंग 10 के मुताबिक जो फ़ंक्शन अनुकूलन में आनुवंशिक एल्गोरिदम का अध्ययन करता है अच्छा जीए प्रदर्शन के लिए उच्च क्रॉसओवर की संभावना जनसंख्या के आकार के विपरीत आनुपातिक होती है और एक मध्यम आकार की आबादी गोल्डबर्ग 12 और मार्केलोस 19 का सुझाव है कि कई समस्याओं में अच्छी तरह से काम करता है एक क्रॉसओवर पैरामीटर 0 6, आबादी का आकार 30 और उत्परिवर्तन पैरामीटर 0 0333 बॉवर 4 ने एक सेवा का प्रदर्शन किया वित्तीय अनुकूलन समस्याओं पर सिमुलेशन के लिए और गोल्डबर्ग के सुझावों की वैधता की पुष्टि की है वर्तमान अध्ययन में हम चुने हुए ट्रेडिंग सिस्टम के लिए विभिन्न पैरामीटर विन्यासों का परीक्षण करके एक सीमित सिमुलेशन अध्ययन करेंगे। हम GA के साक्ष्य भी हमारे उपकरण की तुलना करके प्रस्तावित करेंगे अन्य सॉफ़्टवेयर टूल्स। 3 क्रियाविधि। हमारी कार्यप्रणाली कई चरणों में की जाती है सबसे पहले, हमें तकनीकी विश्लेषण के आधार पर हमारे व्यापार प्रणाली को कार्यान्वित करना होगा एक व्यापार प्रणाली के विकास में, आपको यह निर्धारित करना होगा कि बाज़ार में प्रवेश कब करना और कब निकलते हैं यदि व्यापारी है बाजार में द्विआधारी चर एक के बराबर है अन्यथा शून्य है स्थिति व्यापारियों के रूप में हम अपने सूचकांकों में से अधिकतर दैनिक प्रविष्टि और बाहर निकलने के फैसलों को आधार मानते हैं, जिससे निम्नलिखित प्रवर्तक डिंबेटा का निर्माण किया जाता है यह सूचक वर्तमान मूल्यों के विचलन की गणना करता है जो इसकी चलती औसत लंबाई से है हमारे व्यापारिक प्रणाली में प्रयुक्त संकेतकों को नीचे के रूप में औपचारिक रूप दिया जा सकता है। जहां निधि का समापन मूल्य है समय और फ़ंक्शन पर MovAv समय के साथ बंद चर के साधारण चलती औसत की गणना करता है.हमारे व्यापार प्रणाली में दो संकेतक होते हैं, दीम्बाटा सूचक और निम्न समीकरण द्वारा दिए गए दिंबेटा की चलती औसत। यदि ऊपर की तरफ बढ़ें तो फिर लंबे समय तक प्रवेश करें बाजार अर्थात् खरीदने के संकेत अगर नीचे की ओर बढ़ता है तो बाजार में लंबे समय तक स्थिति को बेचने के लिए बंद करें। दूसरा, हमें अपनी ट्रेडिंग रणनीति को अनुकूलित करना है यह अच्छी तरह से ज्ञात है कि लाभ या धन जैसे उद्देश्य कार्यों को अधिकतम व्यापार प्रणाली का अनुकूलन कर सकते हैं सबसे प्राकृतिक उद्देश्य समारोह जोखिम-असंवेदनशील व्यापारी के लिए लाभ लाभकारी है हमारे सॉफ्टवेयर उपकरण में हम गुणात्मक लाभ मानते हैं, गुणात्मक मुनाफे उपयुक्त हैं जब संचित संपदा का एक निश्चित अंश प्रत्येक लंबे व्यापार में निवेश किया जाता है हमारे सॉफ्टवेयर में कोई छोटी बिक्री की अनुमति नहीं होती है और लीवरेज फैक्टर को तय किया जाता है, समय पर धन निम्नलिखित सूत्र द्वारा दिया जाता है। जहां समय पर समाप्त होने वाली अवधि के लिए वापसी की एहसास होती है, ट्रांसिटी लागत पर और बाइनरी डमी वैरिएबल है जो लंबी स्थिति का संकेत देता है या नहीं यानी 1 या 0 लाभ अंतिम धन से प्रारंभिक धन को घटाने के द्वारा दिया जाता है। एक प्रणाली को व्यवस्थित करने के लिए व्यापार नियमों के भीतर एक या एक से अधिक मापदंडों को अलग करते हुए कई परीक्षण करने होते हैं परीक्षणों की संख्या में भारी बढ़ोतरी हो सकती है मेटास्टॉक में अधिकतम 32 000 परीक्षाएं हैं। फाइनट्रेडैट टूल्स में 23 कोई सीमा नहीं है, हालांकि, प्रयुक्त होने वाले कंप्यूटर सिस्टम के आधार पर प्रसंस्करण पर इस पत्र में हम ऑप्टिमाइज़ेशन समस्या को हल करने की संभावना की जांच करते हैं। आनुवंशिक एल्गोरिदम का उपयोग करते हुए। जेनेटिक एल्गोरिदम जीएएल जो हॉलैंड 13 द्वारा विकसित किए गए थे, उनमें प्राकृतिक विकास के सिद्धांतों के आधार पर खोज, अनुकूलन और अनुकूलन तकनीकों के एक वर्ग का गठन किया गया है। जेनेटिक एल्गोरिदम स्वयं अनुकूलन समस्याओं के लिए स्वयं को उधार देते हैं क्योंकि वे मजबूतता प्रदर्शित करने के लिए जाने जाते हैं और महत्वपूर्ण प्रदान कर सकते हैं समाधान पद्धति और अनुकूलन प्रदर्शन में लाभ GAs अन्य अनुकूलन और समुद्र से अलग है कुछ तरीकों से आरसीई प्रक्रियाएं सबसे पहले, वे पैरामीटर सेट की कोडिंग के साथ काम करते हैं, खुद पैरामीटर नहीं हैं, इसलिए GAs आसानी से बाइनरी वैरिएबल को संभाल सकते हैं दूसरा, जीएएस पॉइंट्स की आबादी से खोज करते हैं, एक सिंगल पॉइंट नहीं, इसलिए जीएएस का एक सेट प्रदान कर सकता है विश्व स्तर पर इष्टतम समाधान अंत में, GA केवल उद्देश्यपूर्ण जानकारी का उपयोग करते हैं, डेरिवेटिव या अन्य सहायक ज्ञान नहीं, इसलिए GAs गैर-निरंतर और गैर-भिन्नयोग्य कार्यों से निपट सकते हैं जो कि वास्तव में एक व्यावहारिक अनुकूलन समस्या में मौजूद हैं। 4 प्रस्तावित GATradeTool. GatradeTool में एक आनुवांशिक एल्गोरिथ्म उम्मीदवार के समाधान की आबादी पर एन्कोडेड होता है, पैरामीटर सेट में प्रत्येक निर्णय चर एक बाइनरी स्ट्रिंग के रूप में एन्कोड किया जाता है और सभी को क्रोमोसोम क्रोमोजोम प्रतिनिधित्व करने के लिए जोड़ दिया जाता है जिसमें एक दो तत्व वेक्टर होता है, बुनरी आनुवंशिक कोडिंग में मापदंड बाइनरी की सटीकता प्रतिनिधित्व प्रति पैरामीटर अर्थात् आठ बिट है 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1 यह एक यादृच्छिक रूप से शुरू होता है शुरुआती अनुमान के ढांचे की आबादी ये समाधान उम्मीदवारों का मूल्यांकन हमारे उद्देश्य कार्य के संदर्भ में किया जाता है Eq 4 अनुकूलतमता प्राप्त करने के लिए प्रत्येक गुणसूत्र एक्सचेंजों की जानकारी ऑपरेटरों का उपयोग कर अर्थात् अंकगणितीय क्रॉसओवर 1 को प्राकृतिक आनुवंशिकी से उधार लिया जाता है ताकि बेहतर समाधान उत्पन्न हो सके। व्यक्तियों ने समस्या वाले डोमेन में किस तरह से प्रदर्शन किया है हमारे मामले में सबसे अधिक फिट व्यक्तियों में संबद्ध उद्देश्य फ़ंक्शन का सबसे अधिक संख्यात्मक मूल्य होगा फिटनेस फ़ंक्शन कच्चे उद्देश्य फ़ंक्शन वैल्यू को प्रत्येक व्यक्ति के लिए योग्यता के गैर-नकारात्मक आंकड़ों में परिवर्तित करता है I tool supports the offsetting and scaling method of Goldberg 12 and the linear-ranking algorithm of Baker 3.Our selection technique employs a roulette wheel mechanism to probabilistically select individuals based on their performance A real-valued interval Sum is determined as the sum of the row fitness values over all the individuals in the current population Ind ividuals are then mapped one to one into contiguous intervals in the range 0, Sum The size of each individual interval corresponds to the fitness value of the associated individual To select an individual a random number is generated in the interval 0, Sum and the individual whose segment spans the random number is selected This process is repeated until the desired number of individuals has been selected 26 These candidates were allowed to participate in an arithmetic crossover, the procedure that recombines promising candidates in order to create the next generation These steps were repeated until a well-defined criterion is satisfied Because the GA is a stochastic search method, it is difficult to formally specify convergence criteria As the fitness of population may remain static for a number of generations before a superior individual is found, the application of conventional termination criteria becomes problematic As a result we proposed the achievement of a specific number of i terations as the termination criterion Our genetic algorithm can be presented in the following frame.5 Empirical results. In this section, we apply our methodology in a UBS mutual fund investing in emerging stock markets 2 The data analyzed consists of 2800 observations on daily closing prices of that fund for the period 1 5 98 25 6 04 The optimization period is defined between 1 5 98 to 25 6 03 The optimized system was evaluated through the extended period 25 6 03 25 6 04.The optimization problem is set as to determine the optimal lengths of Dimbeta indicator and its moving average for the simple Dimbeta model that will maximize profits Firstly, the effect of different GA parameter configurations will be studied More specifically we are interested to measure the effect of the population size and the crossover parameter in the performance of the genetic algorithm based optimization procedure Based on Goldberg s 12 and Bauer s 4 recommendations, the population size should be equal to 30 and the crossover rate should be 0 6 default values The number of iterations was set to 300 for all simulations Second, we compared the solutions of optimization problem conducted by different software tools in order to measure the validity of the GATradeTool proposed. Table 1 provides the GA optimization results for different sizes of populations The first row of the table shows the best parameters for the Dimbeta indicator and the moving average of Dimbeta In order to measure the effect of population size in the best solution we examine a series of different statistics The solution with the maximum and minimum return, the average return, the standard deviation of these solutions, the time needed for convergence of the algorithm, and an efficiency index calculated by dividing max return solution by the standard deviation of solutions. Table 1 Population size effect. By looking in Table 1 we can say that as long as you increase the population size the best and the average solutions are hi gher However, after a population size of 30 the performance decreased In order to take into consideration the computational costs involved since increase in population size, we calculate the time needed for solving the problem Low population size leads to low performance and low completion time According to the efficiency index the best solution is that given by the population size 20.In order to establish a base performance of the algorithm, 30 trials of the GA were performed, with a different random starting population for each trial Fig 1a shows how performance improved over time by plotting average maximum fitness as percentage of the optimal value versus the generation number We first captured the maximum fitness value for each of the 30 trials this is done for every generation and every trial We then averaged the maximum fitness values and divided that number by the optimal fitness value, which was obtained by enumerative search FinTrade tool, 23 this gave us the average maximum fitness as a percentage of the optimum value per generation. Fig 1a Base parameter settings percentage of optimal. As can be seen in Fig 1a the average maximum fitness of the first generation is about 74 of the optimal value However, by the fiftieth generation, the algorithm has usually found at least one solution that was within 90 of the optimal value After the fiftieth generation, the solution could reach 98 of the optimal value. With performance measures from our base settings as a reference point, we examined the possible variations in the basic procedure We studied the effect of changes in population size and crossover rate For each different parameter setting, we performed 30 trials of the algorithm and then compared the graphs of average maximum fitness with those obtained for the base setting. First, we tried crossover rates 0 4 and 0 8 The results are shown in Fig 1b and Fig 1c which are similar to Fig 1a As a result crossover parameters do not affect the optimal solution to a c ritical degree However, the results are different when we alter the population size According to Fig 1d and Fig 1e with a small population size we had poorer results than with a large population When we selected 80 as population size we achieved high returns in early generations. Fig 1b Crossover 0 40 percent of optimal. Fig 1c Crossover 0 80 percent of optimal. Fig 1d Population 80 percent of optimal. Fig 1e Population 20 percent of optimal. By looking at Table 2 you can compare the results of optimization of our trading system by using three different software tools The first row gives the result for the GATradeTool against the Metastock and the FinTradeTool 23 Our proposed software tool GATradeToo l can solve the optimization problem very fast without any specific restrictions about the number of total tests The maximum number of tests that can be performed in Metastock software is 32 000 The FinTradeTool needs much more time in order to find the optimal solution The solution provided by the GATradeTool is close to the optimal solution of the FinTradeTool. Table 2 Comparison of three different software tools. Optimized parameters Dimbeta MovAv DimBeta. The trading systems with the optimum parameters that have been found in period 1 5 98 25 6 03 were tested in the evaluation period 25 6 03 25 6 04 The performance of our trading system has been increased in all software tools However, the cost of time has to be considered very seriously column 4.Fig 2 depicts the evolution of the maximum, minimum and average return across the 300 generations for the Dimbeta trading system population size 80, crossover rate 0 6 It can be observed that the maximum return has a positive trend It appears to be relatively stable after 150 generations and moves in the range between 1 2 and 1 i e 120 100 return For the minimum fitness no pattern seems to exist For the average population return a clear upward trend can be found in the first 180 generations, this is an indication that the overall f itness of the population improves over time Concerning the volatility of the solutions, standard deviation of solutions after an increase in the first generations stabilizes in a range between 0 3 and 0 6 providing evidence of a stable and efficient set of solutions. Fig 2 Evolution of several statistics over 300 generations. Fig 3 provides a three dimensional plot of the optimum solutions given by the GATradeTool In axes and we have the parameters , for the dimbeta indicator and its moving average Axis 2 shows the return of the Dimbeta trading system for the selected optimum parameters As can be easily understood our tool provides an area of optimum solutions in contrast with the FinTradeTool that provides only the best solution. Fig 3 A 3-D plot of the optimum area.6 Conclusions. While technical analysis is widely used as an investment approach among practitioners or academics, they are rarely focused on the issue of parameter optimization It is not our role to defend technical analysis here, although our results show that there is some predictability in the UBS mutual fund investing in emerging stock markets based on historical data alone Our main objective in this paper is to illustrate that the new technology of MATLAB can be used in order to implement a genetic algorithm tool that can improve optimization of technical trading systems. Our experimental results show that GATradeTool can improve digital trading by providing quickly a set of near optimum solutions Concerning the effect of different GA parameter configurations, we found that an increase in population size can improve performance of the system The parameter of crossover rate does not affect seriously the quality of the solution. By comparing the solutions of the optimization problem conducted by different software tools, we found that the GATradeTool can perform better, by providing very fast a set of optimum solutions that present a consistency throughout the evaluation period. Finally, it would be intere sting for further research to test a series of different systems in order to see the correlation between a genetic algorithm and system performances At a time of frequent changes in financial markets, researchers and traders can easily test their specific systems in GATradeTool by changing only the function that produces the trading signals. This research paper was part of the postdoctoral research of Dr S Papadamou that has been funded by IKY Greek State Scholarships Foundation. F Allen R Karjalainen. Using genetic algorithms to find technical trading rules. Journal of Financial Economic Volume 51 1999 pp 245 271.H L Allen M P Taylor. The use of technical analysis in the foreign exchange market. Journal of International Money and Finance Volume 11 1992 pp 303 314.J E Baker, Adaptive selection methods for genetic algorithms, in Proceedings of the first International Conference on Genetic Algorithms, 1985, pp 101 111.R J Bauer G E Liepins. Genetic algorithms and computerized trading strategies. Expert Systems in Finance D E O Leary P R Watkins 1992 Elsevier Science Publishers, Amsterdam, The Netherlands. Genetic Algorithms and Investment Strategies.1994 John Wiley Sons, Inc, New York. W Brock J Lakonishok B LeBaron. Simple technical trading rules and the stochastic properties of stock returns. Journal of Finance Volume 47 1992 pp 1731 1764.S Brown W Goetzmann R Ibbotson S Ross. Survivorship bias in performance studies. Review of Financial Studies Volume 5 1992 pp 553 580.S Brown W Goetzmann S Ross. Journal of Finance Volume 50 1995 pp 853 873.Y W Cheung C Y P Wong. The performance of trading rules on four asian currency exchange rates. Multinational Finance Journal Volume 1 1997 pp 1 22.K De Jong, An analysis of the behavior of a class of genetic adaptive systems, Ph D Diss University of Michigan, University Microfilms No 76-9381, 1975.F Fernndez-Rodrguez, C Gonzlez-Martel, S Sosvilla-Rivero, Optimisation of Technical Rules by Genetic Algorithms Evidence from the Madrid Stock Market, Working Papers 2001-14, FEDEA, 2001.D E Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning.1989 Addison-Wesley. Adaptation in Natural and Artificial System.1975 University of Michigan Press. N Jegadeesh S Titman. Returns to buying winners and selling losers Implications for stock market efficiency. Journal of Finance Volume 48 Issue 1 1993 pp 65 91.The New Commodity Trading Systems and Methods.1987 John Wiley Sons. Fad, martingales, and market efficiency. Quarterly Journal of Economics Volume 105 1990 pp 1 28.A W Lo A C MacKinlay. When are contrarian profits due to stock market overreaction. Review of Financial Studies Volume 3 1990 pp 175 206.S Mahfoud G Mani. Financial forecasting using genetic algorithms. Journal of Applied Artificial Intelligence Volume 10 Issue 6 1996 pp 543 565.R N Markellos. Backtesting trading systems. Journal of Computational Intelligence in Finance Volume 5 Issue 6 1997 pp 5 10.L Menkhoff M Schlumberger. Persistent profitability of technical analysi s on foreign exchange markets. BNL Quarterly Review Volume 193 1995 pp 189 216.C Neely, P Weller, R Ditmar, Is technical analysis in the foreign exchange market profitable A genetic programming approach, in C Dunis, B Rustem, Eds , Proceedings, Forecasting Financial Markets Advances for Exchange Rates, Interest Rates and Asset Management, London, 1997.M Oussaidene B Chopard O Pictet M Tomassini. Practical aspects and experiences Parallel genetic programming and its application to trading model induction. Journal of Parallel Computing Volume 23 Issue 8 1997 pp 1183 1198.S Papadamou G Stephanides. A new matlab-based toolbox for computer aided dynamic technical trading. Financial Engineering News Issue 31 2003.S Papadamou S Tsopoglou. Investigating the profitability of technical analysis systems on foreign exchange markets. Managerial Finance Volume 27 Issue 8 2001 pp 63 78.F M Werner D Bondt R Thaler. Further evidence on investor overreaction and stock market seasonality. Journal of Finance Volum e 42 Issue 3 1987 pp 557 581.D Whitley, The Genitor algorithm and selection pressure Why rank-based allocations of reproductive trials are best, in Proceedings of the Third International Conference on Genetic Algorithms, 1989, pp 116 121.Arithmetic single-point crossover, involves randomly cutting two strings at the same randomly determined string position and then swapping the tail portions Crossover extends the search for new solutions in far-reaching directions. The structure of this fund and its major position at 25 6 2004 are depicted in the following figure. Copyright 2007 Elsevier Ltd All rights reserved. Automated Trading System Development with MATLAB. Stuart Kozola, MathWorks. Want to learn how to create an automated trading system that can handle multiple trading accounts, multiple asset classes, and trade across multiple trading venues Simultaneously. In this webinar we will present an example workflow for researching, implementing, testing and deploying an automated trading str ategy providing maximum flexibility in what and who you trade with You will learn how MATLAB products can be used for data gathering, data analysis and visualization, model development and calibration, backtesting, walk forward testing, integration with existing systems and ultimately deployment for real-time trading We look at each of the parts in this process and see how MATLAB provides a single platform that allows the efficient solution of all parts of this problem. Specific topics include. Data gathering options, including daily historic, intraday, and real-time data. Model building and prototyping in MATLAB. Backtesting and calibrating a model. Walk forward testing and model validation. Interacting with existing libraries and software for trade execution. Deployment of the final application in a number of environments, including JAVA, and Excel. Tools for high frequency trading, including parallel computing, GPUs, and C code generation from MATLAB. Product Focus. Select Your Country.