توسعه استراتژی های معاملاتی با استفاده از تغییرات جهت

اکثر روش های پیش بینی از مقیاس زمانی فیزیکی برای مطالعه نوسانات قیمت بازارهای مالی استفاده می کنند که باعث می شود جریان زمان فیزیکی ناپیوسته شود. بنابراین، استفاده از مقیاس زمانی فیزیکی ممکن است شرکت ها را به دلیل ناآگاهی از برخی فعالیت های مهم در معرض خطر قرار دهد. در این مقاله، یک رویکرد جایگزین و اصلی برای به دست آوردن فعالیت های مهم در بازار بررسی می شود. ایده اصلی این است که از یک مقیاس زمانی مبتنی بر رویداد بر اساس روش جدیدی برای خلاصه کردن داده ها، به نام تغییرات جهت، استفاده شود. در ترکیب با یک الگوریتم ژنتیک، رویکرد پیشنهادی به دنبال یافتن یک استراتژی تجاری است که سودآوری را در بازارهای ارز به حداکثر می رساند. به منظور ارزیابی کارایی و استحکام آن، آزمایش های دقیقی را بر روی ۲۵۵ مجموعه داده از شش جفت ارز مختلف، متشکل از داده های درون روز از بازار نقدی ارز انجام دادیم. نتایج حاصل از این آزمایش ها نشان می دهد که رویکرد پیشنهادی ما می تواند استراتژی های معاملاتی جدید و سودآوری ایجاد کند، که به طور قابل توجهی از دیگر انواع سنتی استراتژی های معاملاتی، مانند تحلیل تکنیکال و خرید و نگهداری، بهتر عمل می کند.

معرفی

سیستم مالی جهانی که اخیراً تحت تأثیر بحران مالی قرار گرفته است، 24 ساعت شبانه روز و 7 روز هفته باز است و می تواند به عنوان یک شبکه پیچیده از عوامل تعاملی (مانند شرکت ها، معامله گران خرده فروشی) تعریف شود. با گردش مالی متوسط روزانه 3 تا 4 تریلیون دلار (صندوق بین المللی پول، 2009) و قیمت تقریباً هر ثانیه تغییر می کند، فعالیت آن در زمان های مختلف روز متفاوت است و به اعلام اخبار سیاسی یا اقتصادی واکنش نشان می دهد.

اکثر روش های سنتی برای مشاهده چنین نوسانات قیمت در سری های زمانی مالی مبتنی بر تغییر زمانی فیزیکی است. برای مثال، کاری که محققان و پزشکان تمایل دارند انجام دهند این است که از عکس های فوری بازار که در فواصل زمانی مشخص گرفته شده اند استفاده کنند. آنها ابتدا تصمیم می گیرند که هر چند وقت یکبار از داده ها نمونه برداری کنند و سپس با فرکانس انتخابی عکس های فوری می گیرند. بنابراین، این عکس های فوری خلاصه ای مبتنی بر فاصله ایجاد می کنند - به عنوان مثال. قیمت های بسته شدن روزانه یا لحظه به لحظه. با این حال، تغییرات قیمت مهم (و در نتیجه سود بالقوه) ممکن است به دلیل ایجاد این خلاصه های قیمت مصنوعی از بین برود. به عنوان مثال، اگر از خلاصه قیمت های بسته شدن روزانه استفاده می کنیم، نمی توانیم سقوط فلش 6 می 2010 را مشاهده کنیم، که یک سقوط تریلیون دلاری بازار سهام ایالات متحده بود که تقریباً 36 دقیقه طول کشید. 1

تغییرات جهت دار (DC) مبتنی بر این ایده است که یک سیستم مبتنی بر رویداد می تواند نقاط مهمی را در حرکات قیمت ضبط کند که روش های سنتی فیزیکی نمی تواند. از این رو ، به جای اینکه از منظر مبتنی بر فاصله به بازار نگاه کنیم ، DC رویدادهای کلیدی موجود در بازار را ثبت می کند (به عنوان مثال ، تغییر در قیمت سهام با درصد از پیش تعیین شده) و خلاصه کردن داده ها بر اساس این رویدادها ، دور شدن از یکدیدگاه زمان فیزیکی به یک دیدگاه مبتنی بر رویداد. تحت این الگوی جدید ، یک آستانه θ تعریف می شود ، که معمولاً با درصدی از قیمت بیان می شود. سپس بازار تکه تکه شده و به روندهای رو به بالا و نزولی خلاصه می شود. آستانه های مختلف خلاصه قیمت های مختلف را تولید می کنند. بنابراین ، الگوی تغییرات جهت دار بر اندازه تغییر قیمت متمرکز است ، در حالی که زمان عامل مختلف است. در حالی که در الگوی زمان فیزیکی ، زمان ثابت شد (به عنوان مثال قیمت بسته شدن روزانه). این مفهوم جدید چشم اندازهای جدیدی را برای حرکات قیمت در اختیار بازرگانان قرار می دهد و به آنها امکان می دهد تا از آن نکات مهم استفاده کنند تا یک رویداد مهم ، و جزئیات دیگر قیمت را که می تواند بی ربط یا حتی سر و صدا در نظر گرفته شود ، محو کند.

اولین آثار برای استفاده از مفهوم تغییرات جهت دار در اولسن و همکاران ارائه شد.(1997) و Glattfelder ، Dupuis و Olsen (2011). در این آثار ، قوانین مقیاس بندی تجربی جدید در سری داده های ارزی کشف شد. این قوانین مقیاس گذاری با هدف برقراری روابط ریاضی بین حرکات قیمت ، مدت و فرکانس. سپس از تغییرات جهت دار و قوانین مقیاس گذاری از آثار فوق برای توسعه مدلهای جدید معاملاتی در DuPuis و Olsen (2012) استفاده شد. با این حال ، این مدل ها برای هیچگونه اهداف پیش بینی مالی مورد استفاده قرار نگرفتند و فقط برای استخراج آمار از معاملات بالقوه مورد استفاده قرار گرفتند. علاوه بر این ، با صدای بلند ، Tsang ، Olsen و Dupuis (2012) اثربخشی تغییرات جهت دار در ضبط فعالیت های دوره ای بازار را نشان دادند. علاوه بر این ، Gypteau ، Otero و Kampouridis (2015) با استفاده از تغییرات جهت دار و برنامه نویسی ژنتیکی ، رویکردی را برای پیش بینی قیمت بسته شدن روزانه بازارهای مالی ارائه دادند. سرانجام ، Tsang ، Tao ، Serguieva و MA (2016) شاخص های معاملاتی جدید را برای پروفایل بازارهای تحت تغییرات جهت دار معرفی کردند. همانطور که می توانیم مشاهده کنیم ، اکثر آثار فوق بر جنبه های نظری تغییرات جهت دار متمرکز شده اند. ایجاد روابط ریاضی و ایجاد شاخص های جدید. فقط Dupuis و Olsen (2012) و Gypteau و همکاران.(2015) تلاش کرد استراتژی های معاملاتی را بر اساس مفهوم DC ایجاد کند. با این حال ، Dupuis و Olsen (2012) از دانش ترکیبی که می توانند با استفاده از آستانه های DC متعدد برای تولید سری های مختلف مبتنی بر رویداد وجود داشته باشند ، استفاده نکردند. علاوه بر این ، Gypteau و همکاران.(2015) فقط رویکرد خود را در 4 مجموعه داده در قیمت های بسته شدن روزانه آزمایش کرد.

در این مقاله هدف ما ارائه تجزیه و تحلیل کامل تر در مورد الگوی تغییرات جهت از منظر پیش بینی مالی است. ما آزمایشات گسترده ای را در مورد داده های داخلی از شش جفت ارز از بازار ارز (FX) انجام می دهیم: داده های سالانه کنه از GBP/JPY و داده های فاصله 10 دقیقه ای سالانه از EUR/GBP ، EUR/USD ، EUR/JPY ، GBP/CHF، و GBP/USD. در کل ، ما تست ها را روی 255 مجموعه داده مختلف اجرا می کنیم. از نظر DC ، ما دو نوع استراتژی معاملاتی را ارائه می دهیم: یک استراتژی DC یک آستانه و یک استراتژی DC چند آستانه. اولی از یک آستانه واحد برای تولید سریال مبتنی بر رویداد استفاده می کند. استراتژی چند آستانه آستانه های مختلفی را ترکیب می کند ، جایی که هر آستانه یک سری مبتنی بر رویداد متفاوت تولید می کند. سپس اطلاعات مربوط به هر سری جمع می شود تا یک استراتژی تجاری آگاهانه تر تشکیل شود. علاوه بر این ، ما از یک الگوریتم ژنتیکی (GA) استفاده می کنیم ، که یک الگوریتم با الهام از زیستی است که از یک فرآیند تکاملی تقلید می کند ، برای بهینه سازی پارامترهای استراتژی چند آستانه. چنین الگوریتم های تکاملی به طور گسترده در مشکلات پیش بینی مالی مورد استفاده قرار گرفته و نشان داده شده است که بسیار مؤثر است (ایوانز ، پاپاس ، Xhafa ، 2013 ، کامپوریدیس ، اوترو ، 2015 ، کوون ، ماه ، 2007 ، مانی ، 1996). استراتژی های تجاری تولید شده توسط GA در برابر استراتژی های DC یک آستانه و چند آستانه DC مقایسه می شوند. ما استراتژی های تجارت تولید شده توسط GA را با سایر معیارهای مالی مانند استراتژی های خرید و نگهدارنده و تحلیل فنی آزمایش می کنیم. به طور کلی ، اهداف ما در این کار را می توان به شرح زیر خلاصه کرد: (i) نشان می دهد که الگوی DC استراتژی های سودآور را برمی گرداند ، (ب) شواهدی را ارائه می دهد که استراتژی های بهینه شده توسط GA سودآورتر از استفاده از استراتژی های استاندارد DC است ، و (III) نشان می دهد که استراتژی های تولید شده GA ما از استراتژی های کلاسیک مبتنی بر زمان فیزیکی ، یعنی تجزیه و تحلیل فنی و خرید و نگه داشتن استفاده می کنند.

سرانجام ، باید اذعان کرد که تغییرات جهت دار شباهت هایی با مفهوم نشانگر زیگزاگ دارد (Azzini ، Da Costa Pereira ، & Tettamanzi ، 2010) ، که همچنین بر روی یک رویکرد مبتنی بر رویداد و مفهوم نکته مهم ادراکی متمرکز است (PIP) شناسایی (چن و چن ، 2016) ، که نقاط برجسته را در یک سری زمانی حفظ می کند تا تعداد داده ها را کاهش دهد. با این حال ، همانطور که در بالا به آن اشاره کردیم ، تحقیقات اخیر در زمینه DC منجر به توسعه بسیاری از مفاهیم جدید ، مانند قوانین مقیاس گذاری و شاخص های معاملاتی جدید که فقط تحت خلاصه قیمت DC وجود دارد ، منجر شده است. بنابراین ، برای استفاده از همه این تحولات جدید ، ما روی الگوی DC تمرکز می کنیم.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 اطلاعات پیش زمینه را در زمینه های پیش بینی مالی ، تغییرات جهت دار و الگوریتم های ژنتیکی ارائه می دهد. سپس ، بخش 3 استراتژی های پیشنهادی معاملات DC مشتق شده را ارائه می دهد ، و بخش 4 در مورد چگونگی استفاده از الگوریتم ژنتیکی برای بهینه سازی پارامترهای این استراتژی ها بحث می کند. علاوه بر این ، بخش 5 مجموعه آزمایشی را ارائه می دهد ، و بخش 6 نتایج را ارائه و بحث می کند. سرانجام ، بخش 7 مقاله را نتیجه می گیرد و در مورد دستورالعمل های مربوط به کارهای آینده بحث می کند.

قطعه قطعه

زمینه

چندین استراتژی مختلف برای اهداف تجارت در یک وجود دارد

استراتژی های تجاری مشتق از DC

در این بخش ، ما ارائه خواهیم داد که چگونه می توانیم از پارادایم DC برای استخراج دو نوع مختلف استراتژی معاملاتی استفاده کنیم. مورد اول بر اساس یک آستانه DC واحد قرار خواهد گرفت و قرار است در بخش 3. 1 ارائه شود. استراتژی دوم مبتنی بر آستانه های مختلف DC خواهد بود و قرار است در بخش 3. 2 ارائه شود.

بهینه سازی استراتژی های چند آستانه از طریق یک الگوریتم ژنتیکی

در بخش قبلی ، ما دو استراتژی تجاری جدید را بر اساس الگوی DC ارائه دادیم: یک استراتژی تک آستانه و یک استراتژی چند آستانه که در بالای آستانه تک قرار دارد. در حالی که استراتژی چند آستانه از این مزیت برخوردار است که توصیه های آستانه های مختلف را ترکیب کند ، مشکلی که وجود دارد این است که ما نمی دانیم که چقدر وزن را باید به هر آستانه بدهیم. به سادگی اختصاص دادن وزن برابر 1 به همه آستانه ها ممکن است یک رویکرد ساده لوح باشد. مقداری

راه اندازی آزمایشی

این بخش سه بخش تقسیم شده است: بخش 5. 1 ، جایی که داده هایی را که برای آزمایشات خود استفاده می کنیم ، بخش 5. 2 ، که در آن مجموعه آزمایشی را ارائه می دهیم ، و در آخر ، بخش 5. 3 ، که پارامترهای تجربی را ارائه می دهد ، ارائه می دهیم.

نتایج

در این بخش نتایج برای کلیه الگوریتم های DC ، و دو معیار مالی در زمان فیزیکی BH (خرید و نگه داشتن) و ادی (تجزیه و تحلیل فنی) ، برای جفت ارز GBP/JPY تحت داده های TICK و برای پنج جفت ارز باقی مانده ارائه شده است.(EUR/GBP ، EUR/JPY ، EUR/USD ، GBP/CHF ، GBP/USD) تحت داده های فاصله 10 دقیقه ای. آزمایشات برای دوره 10 ماهه اوت 2013 - مه 2014 انجام شد. همانطور که در بخش 5 توضیح داده شد ، ما از یک پنجره نورد روزانه برای GBP/JPY استفاده کردیم ، جایی که هر روز برای آن استفاده می شد

نتیجه

برای نتیجه گیری ، این مقاله از روش جدیدی برای خلاصه کردن داده های ارز با فرکانس بالا استفاده کرده و آن را با یک الگوریتم ژنتیکی برای بهینه سازی پارامترهای آن ترکیب کرده است. ما از چارچوب پیشنهادی خود برای تجارت در شش بازار مختلف FX استفاده کردیم و نشان دادیم که ما قادر به تولید نه تنها نتایج سودآور متوسط هستیم بلکه از معیارهای بهتر از دو رویکرد سنتی در زمان فیزیکی (تجزیه و تحلیل فنی ، خرید و نگه داشتن) نیز استفاده می کنیم. ما معتقدیم که این نتایج یک شروع بسیار امیدوار کننده است ، و