Intraday alta freqüência forex trading com adaptive neuro fuzzy inferência sistemas no Brasil

Este artigo introduz um sistema de inferência neurofuzzy adaptativo (ANFIS) para negociação financeira, que aprende a prever movimentos de preços a partir de dados de treinamento consistindo em dados de carrapatos intradiários amostrados em alta freqüência. Os dados empíricos utilizados em nossa investigação são séries de tempo médio de preço de cinco minutos dos mercados de FX. A otimização ANFIS envolve back-testing, bem como a variação do número de épocas, e é combinada com um novo método de captura de volatilidade usando uma abordagem baseada em eventos que leva em consideração mudanças direcionais dentro de limites pré-especificados. Os resultados mostram que o modelo proposto supera as estratégias padrão, tais como buy-and-hold ou previsão linear. Se você tiver problemas ao fazer o download de um arquivo, verifique se você tem o aplicativo adequado para visualizá-lo primeiro. Em caso de problemas adicionais, leia a página de ajuda IDEAS. Observe que esses arquivos não estão no site IDEAS. Por favor, seja paciente, pois os arquivos podem ser grandes. Como o acesso a este documento é restrito, você pode querer procurar uma versão diferente em Pesquisas relacionadas (mais adiante) ou procurar uma versão diferente do mesmo. Ao solicitar uma correção, mencione por favor estes itens identificador: RePEc: ids: ijfmkd: v: 2: y: 2017: i: 12: p: 68-87. Veja informações gerais sobre como corrigir material no RePEc. Para questões técnicas sobre este item, ou para corrigir seus autores, título, resumo, informações bibliográficas ou download, entre em contato: (Darren Simpson) Se você é autor deste item e ainda não está registrado no RePEc, recomendamos que o faça aqui. Isso permite vincular seu perfil a este item. Ele também permite que você aceite citações em potencial para este item que estamos incertos sobre. Se as referências estiverem totalmente ausentes, você pode adicioná-las usando este formulário. Se as referências completas listarem um item que está presente no RePEc, mas o sistema não tiver vinculado a ele, você pode ajudar com este formulário. Se você souber de itens ausentes citando este, você pode nos ajudar a criar esses links adicionando as referências relevantes da mesma maneira como acima, para cada item referente. Se você é um autor registrado deste item, você também pode querer verificar a guia de citações em seu perfil, pois pode haver algumas citações esperando confirmação. Tenha em atenção que as correcções podem demorar algumas semanas para filtrar os vários serviços RePEc. Mais serviços Seguir séries, jornais, autores e mais Novos artigos por e-mail Subscrever novas adições ao RePEc Registro de autor Perfis públicos para pesquisadores de Economia Vários rankings de pesquisa em Economia e campos relacionados Quem foi um estudante de quem, usando RePEc Biblio Artigos curados amp Artigos em vários tópicos de economia Carregue seu artigo para ser listado em RePEc e IDEAS EconAcademics agregador de blogs para a pesquisa de economia Plágio Casos de plágio em Economia Papéis do mercado de trabalho RePEc série de trabalho de trabalho dedicado ao mercado de trabalho Fantasy League Finja que está ao leme de uma economia Departamento de serviços da StL Fed dados, pesquisa, apps amp mais do St. Louis FedThe previsão de séries de tempo financeiro é um processo muito complicado. Um olhar inicial na série de tempo financeiro dá a impressão de que eles são aleatórios na natureza. Se for verdade, isso faria com que a previsão, e, portanto, o comércio, de tais séries excepcionalmente difícil. A hipótese de mercado eficiente afirma que o preço atual contém todas as informações disponíveis no mercado. Isso leva à previsibilidade da maioria das séries de tempo financeiro como sendo uma questão bastante controversa. Especialistas têm sido a previsão e comercialização de mercados financeiros por décadas, usando seus conhecimentos e experiência em reconhecer padrões e interpretação de dados financeiros atuais. Este artigo estende o Sistema de Inferência Neuro-Fuzzy Adaptativa para criar um sistema especialista que é capaz de usar o raciocínio fuzzy combinado com a capacidade de reconhecimento de padrões de redes neurais para ser usado na previsão financeira e negociação. A novidade da abordagem reside em sua aplicação ao campo de financiamento de alta freqüência. Tal abordagem não tem sido usada até agora com negociação de alta freqüência ou como parte de uma estratégia de negociação automatizada. Isso produziu um sistema de negociação especializada que supera as limitações físicas de especialistas e comerciantes humanos em tomar decisões múltiplas em intervalos de tempo extremamente curtos. Isso significa que o sistema pode executar previsões e decisões de negociação em uma freqüência muito alta usando dados intra-dia. A previsão financeira, a hipótese de mercado eficiente, o sistema de inferência neuro-fuzzy, a negociação de alta freqüência Abdalla Kablan, os Sistemas de Inferência Fuzzy Neuro Adaptáveis ​​para o Comércio Financeiro de Alta Frequência e Previsão, Computação de Engenharia Avançada e Aplicações em Ciências. Vol. 00, não. Este artigo é motivado pelo aspecto da incerteza na tomada de decisão financeira, e como inteligência artificial e soft computing, com Seus aspectos de redução de incerteza podem ser usados ​​para aplicações de negociação algorítmicas que negociam em alta freqüência. Este artigo apresenta um sistema de negociação de alta freqüência otimizado que foi combinado com várias médias móveis para produzir um sistema híbrido que supera os sistemas de negociação que dependem exclusivamente de médias móveis. O papel otimiza um sistema de inferência neurofuzzy adaptativo que leva o preço e sua média móvel como entrada, aprende a prever os movimentos de preços a partir de dados de treinamento consistindo de dados intraday, troca dinamicamente entre as médias móveis com melhor desempenho e executa a tomada de decisão de quando Para comprar ou vender uma certa moeda em alta freqüência. 1 A. Kablan (2009). A Fuzzy Logic Sistema de Análise Momentum para corretagem financeira, os procedimentos da Conferência Internacional sobre Teoria Financeira e Engenharia. IEEEXplore, Vol 1, pp 57-62. ISBN: 978-0-7695-3949-2 2 A. Kablan (2009). Sistemas Neuro Fuzzy Adaptativos para Alta Freqüência de Negociação e Previsão, os trabalhos da Terceira Conferência Internacional de Engenharia Avançada Computação e Aplicações em Ciências. IEEEXplore, Vol 1, pp 105 - 110. ISBN: 978-0-7695-3829-7 3 A. Kablan, WL Ng, (2010), Estratégia de Negociação de Alta Freqüência Usando a Transform Hilbert, 6ª Conferência Internacional de Computação em Rede e Avançada Gestão da Informação. Vol. 1, p. 466 - 471. ISBN: 978-89-88678-26-8 4 A. Kablan, WL Ng, (2010), Negociação de Alta Freqüência usando Fuzzy Momentum Analysis, procedimentos da IAENG 2010 International Conference of Financial Engineering ICFE), Londres. Vol. 1, pp 352-357. ISBN: 978-988-17012-9-9 5 A. Kablan, WL Ng, (2017), Estratégias de colocação de ordens de alta freqüência com lógica difusa e inferência difusa, IAENG International Journal of Computer Science , questão especial. 6 A. Kablan, W. L. Ng, (2017), Intraday High-Frequency Forex Trading com sistemas de inferência adaptativa Neuro-Fuzzy, International Journal of Financial Markets and Derivatives. 7 A. Kablan. Sistemas de Inferência Neuro Fuzzy Adaptativos para Negociação Financeira de Alta Frequência e Previsão. Processos da Terceira Conferência Internacional sobre Engenharia Avançada Computação e Aplicações em Ciências. 2009. 8 Banik, S et. Al. (2007), Modelando o comportamento caótico dos valores do Dhaka Stock Market Index usando o modelo neuro-fuzzy, 10ª Conferência Internacional de Informática e Tecnologia da Informação 9 C. Tseng, Y. Lin. Inteligência Computacional Financeira. Sociedade de Economia Computacional. Computação em Economia e Finanças no. 42. 2005. 10 Chang, S. S. L (1977). Aplicação da teoria dos conjuntos fuzzy à economia. (1997): O Poder do Dinheiro, Macmillan Press, Londres 13 E. Boehmer (2005) Dimensões da qualidade de execução: evidências recentes para os mercados de ações dos EUA. Journal of Financial Economics 78, 553-582, 2005. 14 E. F. Fama. (1970) Mercados de capital eficientes: Uma revisão da teoria e do trabalho empírico. Journal of Finance, p�inas 383-417, 15 de Maio Grabbe, J. O. (1996): International Financial Markets, Englewood Hills, Prentice Hall Inc. 16 J. C. Bezdek, R. Krisnapuram, N. R. Pal. (1999). Modelos e algoritmos difusos para reconhecimento de padrões e processamento de imagens. Springer 17 JM. Griffin, F. Nardari, R. Stulz. Mercado de ações de negociação e condições de mercado. NBER, Working Paper 10719, 1-48. 2004. 18 Kablan, A, WL Ng, (2017 High Frequency Trading usando Fuzzy Momentum Analysis, Springer Engenharia Letters, Londres 19 Li, Y. Musilek, P e Wyard-Scott, L. Fuzzy lógica no design de jogo baseado em agentes. Reunião Anual do Processo de Informação Fuzzy 2004, vol. 2, pp734-739, 2004. 20 Lootsma, FA (1997).Lógica difusa para planejamento e tomada de decisão. 21 M. Fedrizzi, W. Ostasiewicz (1993). Modelos difusos em economia, Sistemas e Sistemas Difusos, vol. 54, Edição 3, pp 259-268, 22 Ormerod, P. (2000) Economia da borboleta: Uma nova teoria geral do comportamento social e econômico, Pantheon, Nova York. Roger Chang, JS ANFIS: Sistema de inferência fuzzy baseado em rede adaptativa, IEEE Transactions on Systems, Man E Cybernetics, 23 (3) (1993) 665-685 25 S. Chabaa e A. Zeroual Previsão de Dados de Transmissão de Pacotes sobre Redes IP Usando Neuro-Fuzzy Adaptativa Sistemas de Inferência. Jornal de Ciência da Computação Vol. 27 Schulmeister, S, 2009, A Taxa Geral de Transações Financeiras: Um Abreviado dos Prós, Contras e uma Proposta - WIFO Working Paper No 344. 27 T. Hellstrm e K. Holmstrom. Previsão do mercado acionário. Relatório Técnico Ima-TOM-1997-07, Centro de Modelagem Matemática, Departamento de Matemática e Physis, Universidade de Malardalen, Vasteras, Suécia, Agosto de 1998. 28 T. Takagi e M. Sugeno. Identificação fuzzy de sistemas e sua aplicação à modelagem e controle, IEEE Transactions on Systems, Man and Cybernetics, Vol. 15, pp 116-132, 1985. 29 Takagi T. e Sugeno, M. Fuzzy identificação de sistemas e sua aplicação à modelagem e controle, IEEE Transactions on Systems, Man and Cybernetics, 15 (1985) 116-132. 30 Wilson, R. e Sharda, R. Previsão de falências usando redes neurais, Decision Support Systems, 11 (1994) 545-557. 31 Yeh, S. Landsmann, W. R. Miller, B. L. Peasnell, K. V. (2017). Os investidores entendem superávit realmente sujo. A Revisão Contábil, 86 (1), 237-258. 32 Yoon, Y. Guimaraes, T. e Swales, G. Integração de redes neurais com sistemas periciais baseados em regras, Decision Support Systems, 11 (1994) 497-507. 33 Zadeh, L. Conjuntos difusos. Informação e Controle, vol. 8, pp 338-353, 1965. 34 Zadeh, L. A. Fuzzy sets, Information Control, 8 (1965) 338-353.