遺傳神經(jīng)網(wǎng)絡(luò)日內(nèi)交易系統(tǒng)研究4900字

1、遺傳神經(jīng)網(wǎng)絡(luò)日內(nèi)交易系統(tǒng)研究4900字 本研究嘗試以遺傳神經(jīng)網(wǎng)絡(luò)算法，應(yīng)用市場上常用的技術(shù)指標(biāo)，構(gòu)建日內(nèi)交易系統(tǒng)，找出可以據(jù)此盈利的交易策略。 遺傳算法神經(jīng)網(wǎng)絡(luò)技術(shù)指標(biāo)國際黃金期貨交易策略一、引言國際黃金期貨交市場交易者眾多，市場信息透明，并擁有較好的流動性，作為一種可以頻繁日內(nèi)交易的產(chǎn)品，大量投資者應(yīng)用常用技術(shù)指標(biāo)去進(jìn)展交易。影響黃金價(jià)格變動的因素非常多，包括利率，匯率，全球經(jīng)濟(jì)，投資者情緒，以致于黃金本身的供給和需求等，各個(gè)因素之間又會互相影響，而日內(nèi)的價(jià)格變動更包含了不少市場噪聲，具有高度復(fù)雜性和非線性。本研究利用遺傳神經(jīng)網(wǎng)絡(luò)較強(qiáng)大的搜尋功能，嘗試找出應(yīng)用技術(shù)指標(biāo)的方法，并檢驗(yàn)其學(xué)習(xí)成果

2、是否具有統(tǒng)計(jì)學(xué)上的重要性。二、遺傳算法1975年John H.Holland “Adaptation in Natural and Artificial Systems提出遺傳算法的運(yùn)算程序。遺傳算法的概念源于大自然生物系統(tǒng)透過代際演化，互相交配繁殖交換遺傳信息，繁育更適應(yīng)環(huán)境的下一代，以適應(yīng)不斷變化的生存環(huán)境。當(dāng)演化假設(shè)干代之后，理論上更適應(yīng)環(huán)境的個(gè)體將會?鬃迦捍蠖嗍?。遺傳算法仿效自然選擇的隨機(jī)過程，利用歷史信息去在搜尋空間里找出較佳的解。由于遺傳算法的隨機(jī)性質(zhì)，可以避開區(qū)域最優(yōu)，并接近全局最優(yōu)解?，F(xiàn)時(shí)已有不少研究把遺傳算法應(yīng)用于交易決策系統(tǒng)。三、類神經(jīng)網(wǎng)絡(luò)1957年Rosenblatt提

3、出了第一種類神經(jīng)網(wǎng)絡(luò)形式，即感知機(jī)形式，標(biāo)志類神經(jīng)網(wǎng)絡(luò)的誕生。1969年Minsky和Papert指出感知機(jī)不能解決任何非線性可分的問題。此后，類神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入困局，陷入了低潮期。1986年Rumelhart，Hinton與Williams使用倒傳遞神經(jīng)網(wǎng)絡(luò)訓(xùn)練感知機(jī)，解決了長久以來的問題，并使類神經(jīng)網(wǎng)絡(luò)重新得到研究人員關(guān)注。類神經(jīng)網(wǎng)絡(luò)是一種高效的搜尋方法，有高容記憶才能，學(xué)習(xí)才能，以及容錯(cuò)才能。按問題的類型可以分為監(jiān)視式學(xué)習(xí)，非監(jiān)視式學(xué)習(xí)，聯(lián)想式學(xué)習(xí)及最正確化問題應(yīng)用。神經(jīng)網(wǎng)絡(luò)模型已被廣泛應(yīng)用于金融時(shí)間序列分析，如對股市漲跌作出預(yù)測。本研究需要搜尋出利潤最大化的神經(jīng)網(wǎng)絡(luò)權(quán)重，輸出的利潤結(jié)

4、果為未知數(shù)，故此監(jiān)視式學(xué)習(xí)并不適用。本文采取強(qiáng)化式學(xué)習(xí)的方法，研究神經(jīng)網(wǎng)絡(luò)是否可以學(xué)習(xí)到根據(jù)技術(shù)指標(biāo)作當(dāng)天來回交易獲取超額利潤的策略。四、有效市場假說有效市場假說efficient-market hypothesis認(rèn)為市場價(jià)格充分反映了所有信息，故此不可能獲得比市場回報(bào)率更高的超額回報(bào)。有效市場假說有三種形式：一是弱有效市場假說。交易資產(chǎn)的價(jià)格已經(jīng)反映了過去所有公開的市場信息，不能以過去的價(jià)格信息以及數(shù)據(jù)去預(yù)測將來的資產(chǎn)格價(jià)從而得到超額利潤，亦即技術(shù)分析將會無用，但某些根本分析仍舊可以帶來超額利潤。二是半強(qiáng)式有效市場假說。交易資產(chǎn)價(jià)格已經(jīng)有效地反映所有新的資訊，根本分析以及技術(shù)分析都無法可靠

5、地得到超額利潤，但依靠內(nèi)幕交易仍然有可能得到超額利潤三是強(qiáng)式有效市場假說。市場格價(jià)有效地反映了過去所有公開與非公開的資訊，無交易者可以得到超額利潤。五、遺傳算法計(jì)算程序一隨機(jī)設(shè)定n個(gè)個(gè)體作為初始群體二計(jì)算初始群體各個(gè)個(gè)體適應(yīng)度三穿插繁殖：根據(jù)各個(gè)個(gè)體的適應(yīng)度穿插繁殖，產(chǎn)生新的個(gè)體。適應(yīng)度較高的個(gè)體基因被復(fù)制的幾率也較高，反之那么較低。四突變運(yùn)算：設(shè)定一個(gè)概率對某一個(gè)體的某一基因進(jìn)展突變運(yùn)算，之后得出下一代的群體基因五計(jì)算新一代的群體適應(yīng)度，假如滿足終止條件，那么停頓運(yùn)算，并把有最大適應(yīng)度的個(gè)體作為最優(yōu)解輸出本研究中，遺傳算所設(shè)定參數(shù)如下：世代數(shù)：分別為50，100及150個(gè)體數(shù)：300適應(yīng)函數(shù)

6、：以利潤作為適應(yīng)度交配概率：0.1突變概率：0.1退出條件：運(yùn)行所有世代數(shù)后完畢適應(yīng)函數(shù)計(jì)算：由于黃金期貨合約交易時(shí)間長達(dá)23小時(shí)15分鐘，而每時(shí)段參與者，交易習(xí)慣，市場波幅都不一樣，故此本研究同時(shí)讓機(jī)器人選擇最合適的交易時(shí)段。每一分鐘完畢時(shí)候，計(jì)算出所有技術(shù)指標(biāo)；然后在下一分鐘的開市價(jià)時(shí)成交。交易規(guī)那么：倉位狀態(tài)有三種選擇，一、只做多頭；二、只做空頭；三、空倉待機(jī)。傭金設(shè)定：5美元單邊適應(yīng)度計(jì)算：當(dāng)在交易日所選的交易時(shí)段完畢時(shí)，結(jié)算利潤。假設(shè)果當(dāng)天完畢時(shí)仍然持有倉位，利潤等于已經(jīng)實(shí)現(xiàn)損益加上未實(shí)現(xiàn)損益。當(dāng)利潤越高，函數(shù)適應(yīng)度越高。六、類神經(jīng)網(wǎng)路計(jì)算程序一隱藏層設(shè)定為一層，輸入層與隱藏層的關(guān)系

7、：1.hk=fnetk=k=ni=1wikxi二輸出層與隱藏節(jié)點(diǎn)的關(guān)系1.yj=fnetj=j=ni=1wikhk三買入及賣出閥值：基因演算法得出一個(gè)買入閥值和一個(gè)賣出閥值。當(dāng)輸出層數(shù)值高于買入閥值，那么發(fā)出買入信號；假設(shè)低于賣出閥值，那么發(fā)出沽空信號。假設(shè)輸出層數(shù)值介于兩者之間，那么不發(fā)出任何信號。四交易時(shí)段：由基因演算法得出最優(yōu)的開場交易時(shí)間及完畢交易時(shí)間五在本研究中，輸入層一共使用了11個(gè)變數(shù)，每個(gè)變數(shù)均由技術(shù)指標(biāo)而成。七、輸入層技術(shù)指標(biāo)計(jì)算：一MACD1.計(jì)算12日EMA算式12.計(jì)算26日EMA算式23.1-2，計(jì)算DIFF4.DEM=DIFF9日平均值 5.變數(shù)一、柱狀值=DIFF

8、-DEM，當(dāng)DIFF大于DEM，標(biāo)為1，DIFF小于DEM，標(biāo)為-16.變數(shù)二、DIF向上打破DEA，發(fā)出買入信號，標(biāo)為1，DIF向下跌破DEA，發(fā)出賣出信號，標(biāo)為-1，其他情況標(biāo)為0二BIA1.計(jì)算3分鐘BIA：最后成交價(jià)-三分鐘平均價(jià)/三分鐘平均價(jià)2.計(jì)算6分鐘BIA3.3分鐘BIA-6分鐘BIA算式34.變數(shù)三：當(dāng)算式3值小于0，標(biāo)為-1，當(dāng)值大于0，標(biāo)為15.變數(shù)四：當(dāng)3分鐘BIA向上打破6分鐘BIA，發(fā)出買入信號，標(biāo)為1；當(dāng)3分鐘BIA向下打破6分鐘BIA，發(fā)出沽出信號，標(biāo)為-1三隨機(jī)指標(biāo)1.n日RSV=Cn-LnHn-Ln1002.Cn為第n日收盤價(jià)；Ln為n日內(nèi)的最低價(jià)；Hn為n

9、日內(nèi)的最高價(jià)3.K值：2/3前一日K值+1/3當(dāng)日RSV4.D值：2/3前一日D值+1/3當(dāng)日K值5.J值：3*當(dāng)日K值-2*當(dāng)日D值6.變數(shù)五：當(dāng)K值向上打破D值，發(fā)出買入信號，記為1；當(dāng)K值向下打破D值，發(fā)出沽出信號，記為-1。當(dāng)K值等于D值，那么記為0，不作任何信號。四動向指數(shù)1.真實(shí)波幅True Range，TR： 最高價(jià)減最低價(jià)，最高價(jià)減前一天收市價(jià)，最低價(jià)減前一天收市價(jià)，三者取絕對值最大者2.計(jì)算DM+值：當(dāng)今日最高價(jià)-昨日最高價(jià)大于昨日最低價(jià)減今日最低價(jià) 而且今日最高價(jià)-昨日最高價(jià)大于0，那么記為DM+，指價(jià)格最高點(diǎn)持續(xù)向上挪動，代表處于上升趨勢3.計(jì)算DM-值：當(dāng)今日最高價(jià)-昨

10、日最高價(jià)小于昨日最低價(jià)減今日最低價(jià)而且昨日最低價(jià)-今日最高價(jià)大于0，那么記為DM-，指價(jià)格最低點(diǎn)持續(xù)向下挪動，代表處于下降趨勢4.其他情況下，DM=05.計(jì)算+DM，-DM及TR的EMA：分別計(jì)算出+DM、-DM及TR的14日平均值，作為起始值，然后再計(jì)算各自EMA6.DIDirectional Indicator：+DI 14=+DM14/TR14*100；-DI 14=-DM14/TR14*1007.DMI：+DI14-DI14/+DI14+-DI148.變數(shù)六：DX=DMI的14日EMA9.變數(shù)七：DMI濾網(wǎng)：假如+DI大于-DI，記為1；假如-DI大于+DI，記為-1，兩者相等為0五R

11、SI1.U=MAX今天收盤價(jià)-昨天收盤價(jià)，02.D=MAX昨天收盤價(jià)-今天收盤價(jià)，03.變數(shù)8：RSI=14天平均U/14天平均U+14天平均D六布林通道1.中間線=20天均線2.上軌值：20天均線+2標(biāo)淮差3.下軌值：20天均線-2標(biāo)淮差4.變數(shù)9：%B指標(biāo)=收盤價(jià)-下軌值/上軌值-下軌值5.變數(shù)10：布林帶寬=上軌值-下軌值/中間值七CDP1.CDP值=前一天最高價(jià)+前一天最低價(jià)+前一天收市價(jià)*2/42.AH值=CDP+前一天最高價(jià)-前一天最低價(jià)3.NH值=2*CDP-前一天最低價(jià)4.NL值=2*CDP-前一天最高價(jià)5.AL值=CDP-前一天最高價(jià)-前一天最低價(jià)6.AH-O=ABSAH值-

12、開盤價(jià)-算式47.AL-O=ABSAL值-開盤價(jià)-算式58.變數(shù)11：當(dāng)算式4小于0.1及ABS算式4-算式5大于0.2，那么發(fā)出買入信號，記為1；當(dāng)算式5小于0.1及ABS算式4-算式5大于0.2，那么發(fā)出沽出信號，記為-1；其他情況記為0八、測試及檢驗(yàn)結(jié)果本研究用了三個(gè)不同參數(shù)，分別以50代、100代及150代去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而且都訓(xùn)練50個(gè)機(jī)械人，去觀察遺傳神經(jīng)網(wǎng)絡(luò)是否可以學(xué)習(xí)到獲利策略。訓(xùn)練期由2022年4月2日至2022年4月16日，一共十天，測試期為2022年4月17日至2022年4月20日，一共四天。由于交易本錢無可防止，包括軟件費(fèi)用，交易所費(fèi)用，結(jié)算費(fèi)用，全國期貨協(xié)會監(jiān)會費(fèi)用等

13、，所以本實(shí)證測試假設(shè)交易費(fèi)用為5美元一手單邊。結(jié)果顯示，演化50代的50個(gè)機(jī)器人，平均獲利值約為-698.8；演化100代的50個(gè)機(jī)器人，平均獲利值約為-413； 演化150代的平均獲利值那么為-450.6。演化100代的比演化50代的平均獲利值有顯著進(jìn)步，而演化150代跟100代相比平均獲利值卻有所退步，說明機(jī)械人在演化100代之后函數(shù)已經(jīng)接近收斂至最正確區(qū)域，演化代數(shù)更多反而造成過度學(xué)習(xí)。由于機(jī)器人在一天當(dāng)中只交易一段時(shí)間，而且每個(gè)機(jī)器人所交易的時(shí)段都有所不同，所以本研究的獲利檢驗(yàn)，不能直接與買入持有策略比擬。根據(jù)弱式有效市場假說，認(rèn)為市場波動的期望值為零，投資者無法根據(jù)過去價(jià)格預(yù)測將來價(jià)

14、格來得到超額收益。故此，可以利用t檢驗(yàn)去測試其統(tǒng)計(jì)學(xué)上顯著性。由于演化100代結(jié)果最正確，故取此組數(shù)據(jù)做測試。樣本平均數(shù)為-103.25，總體平均數(shù)為0，樣本標(biāo)淮差約為688.6172，樣本總數(shù)為50，T值約為-1.0496，給定置信度=0.05，P值約為+/-2.00958。故此，測試結(jié)果并不能否認(rèn)假設(shè)H0：=0，支持弱式有效市場假說。九、結(jié)論本研究嘗試以遺傳神經(jīng)網(wǎng)絡(luò)搜尋使用市場常用技術(shù)指標(biāo)作為主要參考工具做交易的方法，再加上可以選擇交易時(shí)段，研究結(jié)果是支持弱式有效市場假說。由于本研究以市場常用技術(shù)指標(biāo)作輸入變數(shù)，這些指標(biāo)的知名度都非常高，那是不是有可能以其他較不常用的技術(shù)指標(biāo)，或其他方式去組織歷史數(shù)據(jù)，有可能得到超額市場收益？再者，本研究市場每分鐘價(jià)格歷史作為模擬交易的數(shù)據(jù)，交易噪聲會比擬高，假如利用其他層級的數(shù)據(jù)作研究，如五分