MetaTrader 5 - Experter Bollinger Band Breddberäkning med Neural Network using - expert för MetaTrader 5 Jag har letat efter en BB Width Expert Advisor, men jag kunde inte hitta den någonstans. Då bestämde jag mig för att skapa min egen, och som en del av mina studier gjorde jag det här. Denna expertrådgivare följer metoden för neuralt nätverk. Inledande insättning 10000. Bruttoresultat av 36000. Tidsperiod 3,5 månader. Vad är Bollinger Band Width Bollinger Band Width är bandbildning i Bollinger Band. I sin bok (Bollinger på Bollinger Bands) hänvisar John Bollinger till Bollinger Band Width som en av två indikatorer som kan härledas från Bollinger Bands. Den andra indikatorn är B. BandWidth mäter procentuell skillnad mellan det övre bandet och det nedre bandet. BandWidth minskar som Bollinger Bands smala och ökar när Bollinger Bands breddas. Eftersom Bollinger Bands bygger på standardavvikelsen, återspeglar fallande BandWidth minskande volatilitet och stigande BandWidth återspeglar ökad volatilitet. Narrowness: Smal Bandwidth är relativ. BandWidth-värdena bör mätas i förhållande till tidigare BandWidth-värden över en tidsperiod. Det är viktigt att få en bra tittarid för att definiera BandWidth-sortimentet för ett visst symbol. Squeeze: Bollinger BandWidth är mest känd för att identifiera Squeeze. Detta inträffar när volatiliteten faller till en mycket låg nivå, vilket framgår av smalbanden. De övre och nedre banden är baserade på standardavvikelsen, vilket är ett mått på volatilitet. Banden smala som prisflattar eller rör sig inom ett relativt smalt område. Teorin är att perioder med låg volatilitet följs av perioder med hög volatilitet. Relativt smal BandWidth (a. c.s. Squeeze) kan förskjuta ett signifikant förskott eller nedgång. Efter en Squeeze, en prisökning och efterföljande bandbrytning signalerar starten på ett nytt drag. Ett nytt förskott börjar med en Squeeze och efterföljande paus över övre bandet. En ny nedgång börjar med en Squeeze och efterföljande paus under underbandet. En idé kan förändra ditt liv -) Jag fick inspirationen att arbeta på neurala nätverk efter att ha läst den här artikeln. Författarens Fyords hjälpte mig mycket vid den avslutande delen av kodningen. Denna expertrådgivare tar värdet av de senaste 14 perioderna och minimerar det med metoden för neurala nätverksmetod (läs artikeln för bästa implementeringen av neuralt nätverk). Breddberäkning Jag har använt den klassiska metoden: (BBupperBand - BBLlowerBand) BBMidleBand. Formula: inputsi2 ((iBandsUpperbufi - iBandsLowerbufi) iBandsBasebufi) - (xminxminn) (d2-d1)) ((xmaxxmax) - (xminxminn)) d1 Det ser komplicerat ut men i verkligheten är det precis som A, B, C, D. Ovanstående artikel kan hjälpa dig mycket. Expert Advisor testresultatet är bra, jag har tagit perioden från 2013.01.01 till 2013.04.13. Balans: Jag har bifogat det fullständiga testresultatet i zip-filen. Jag rekommenderar inte att du använder denna expertrådgivare i realt konto. I samma kod kan du använda någon volymindikeringskombination (CCI, MFI osv.). Hybrid neurala nätverks Stop-and-Reverse-strategier för Forex av Michael R. Bryant Neurala nätverk har använts i handelssystem i många år med varierande grader av framgång. Deras främsta attraktion är att deras olinjära struktur bättre kan fånga komplexiteten i prisrörelsen än standard, indikatorbaserade handelsregler. En av kritiken har varit att neurala nätverksbaserade handelsstrategier tenderar att vara överpassade och därför inte fungerar bra på nya data. En möjlig lösning på detta problem är att kombinera neurala nätverk med regelbaserad strategisk logik för att skapa en hybridstrategi. Den här artikeln visar hur det går att göra med Adaptrade Builder. I synnerhet kommer den här artikeln att illustrera följande: Kombinera neuralt nätverk och regelbaserad logik för handelsposter En tre-segments metod kommer att användas, med det tredje segmentet som används för att validera de slutliga strategierna. Den resulterande strategikoden för både MetaTrader 4 och TradeStation kommer att visas, och det kommer att visas att valideringsresultaten är positiva för varje plattform. Neurala nätverk som handelsinmatningsfiltrar Matematiskt är ett neuralt nätverk en olinjär kombination av en eller flera viktiga ingångar som genererar ett eller flera utgångsvärden. För handel används ett neuralt nätverk vanligen på ett av två sätt: (1) som en förutsägelse för framtida prisrörelse, eller (2) som en indikator eller ett filter för handel. Här kommer användningen som indikator eller handelsfilter att övervägas. Som en indikator fungerar ett neuralt nätverk som ett ytterligare villkor eller filter som måste uppfyllas innan en handel kan matas in. Ingångarna till nätverket är typiskt andra tekniska indikatorer, såsom momentum, stokastik, ADX, glidande medelvärden och så vidare, samt priser och kombinationer av det föregående. Ingångarna är skalade och det neurala nätverket är utformat så att utmatningen är ett värde mellan -1 och 1. Ett tillvägagångssätt är att tillåta en lång ingång om utgången är större än eller lika med ett tröskelvärde, såsom 0,5 och en kort inmatning om utgången är mindre än eller lika med negativet av tröskeln t. ex. -0,5. Detta villkor skulle vara förutom eventuella befintliga tillträdesvillkor. Till exempel, om det fanns ett långt ingående tillstånd, skulle det vara sant och den neurala nätverksutgången måste åtminstone motsvara tröskelvärdet för en lång ingång. När man etablerar ett neuralt nätverk, skulle en näringsidkare normalt vara ansvarig för att välja inmatningar och nätverkstopologi och för quottrainingquot i nätverket, vilket bestämmer värdena för optimal vikt. Som kommer att visas nedan utför Adaptrade Builder dessa steg automatiskt som en del av den evolutionära byggprocessen som mjukvaran bygger på. Att använda det neurala nätverket som ett handelsfilter gör att det enkelt kan kombineras med andra regler för att skapa en hybridhandelstrategi, en som kombinerar de bästa egenskaperna hos traditionella regelbaserade tillvägagångssätt med fördelarna med neurala nätverk. Som ett enkelt exempel kan Builder kombinera en glidande genomsnittlig korsningsregel med ett neuralt nätverk så att en lång position tas när det snabba glidande medeltalet passerar över det långsiktiga glidande medlet och den neurala nätverksutgången ligger vid eller över dess tröskelvärde. Stop-and-Reverse Trading Strategies En stopp-och-omvänd handelsstrategi är en som alltid finns på marknaden, antingen lång eller kort. Strikt sagt betyder quotstop-and-reversequot att du byter handel när din stopporder slås. Men jag använder det som en kort hand för någon handelsstrategi som vänder sig från lång till kort till lång och så vidare, så att du alltid är på marknaden. Genom denna definition är det inte nödvändigt att orderna blir stopporder. Du kan ange och omvända med hjälp av marknads - eller begränsningsorder också. Det är inte heller nödvändigt att varje sida använder samma logik eller till och med samma ordertyp. Till exempel kan du ange lång (och avsluta kort) på en stopporder och ange kort (och lämna lång) på en marknadsordnad, med hjälp av olika regler och villkor för varje inmatningsexempel. Detta skulle vara ett exempel på en asymmetrisk stopp-och-omvänd strategi. Den främsta fördelen med en stop-and-reverse-strategi är att genom att alltid vara på marknaden saknar du några stora drag. En annan fördel är enkelhet. När det finns separata regler och villkor för att komma in och utträda affärer, det finns mer komplexitet och mer som kan gå fel. Kombinera poster och utgångar innebär att färre tidsbeslut måste fattas, vilket kan innebära färre misstag. Å andra sidan kan det hävdas att de bästa förutsättningarna för att utträda handel är sällan detsamma som de för att komma in i motsatt riktning att inlösen och exiterande handlar är i sig separata beslut som därför bör använda separata regler och logik. En annan potentiell nackdel med att alltid vara på marknaden är att strategin kommer att handla genom varje öppningsgap. Ett stort öppningsgap mot positionen kan innebära en stor förlust innan strategin kan vända. Strategier som går in i och lämnar mer selektivt eller utgår vid slutet av dagen kan minimera inverkan av öppningsluckor. Eftersom målet är att bygga en forexstrategi är MetaTrader 4 (MT4) ett självklart val för handelsplattformen, eftersom MetaTrader 4 är utformad främst för forex och används ofta för handel med dessa marknader (se exempelvis MetaTrader vs TradeStation : En språkjämförelse). Men under de senaste åren har TradeStation riktat mot valutamarknaden mycket mer aggressivt. Beroende på din handelsvolym och / eller kontonivå kan du handla valutamarknaden via TradeStation utan att ådra några plattformskostnader eller betala några provisioner. Spridningar är enligt uppgift tight med god likviditet på de stora valutaparparen. Av dessa skäl var båda plattformarna riktade till detta projekt. Flera problem uppstår när man riktar in flera plattformar samtidigt. För det första kan data vara olika på olika plattformar, med skillnader i tidszoner, prisnoteringar för vissa staplar, volymer och tillgängliga datumintervall. För att jämföra över dessa skillnader erhölls data från båda plattformarna, och strategierna byggdes samtidigt över båda dataserierna. De bästa strategierna var därför de som fungerade bra på båda dataserier trots alla skillnader i data. De datainställningar som används i Builder visas nedan i figur 1. Såsom kan härledas från tabellen Market Data i figuren var Eurodollar-valutamarknaden riktade (EURUSD) med en barstorlek på 4 timmar (240 minuter). Andra barstorlekar eller marknader skulle ha tjänat lika bra. Jag kunde bara skaffa så mycket data via min MT4-plattform som anges av datumintervallet som visas i figur 1 (dataserie 2), så samma datumintervall användes för att erhålla ekvivalenta dataserier från TradeStation (dataserie 1) . 80 av data användes för Building (kombinerat i prov och quotout-of-samplequot), med 20 (62014 till 21015) avsatta för validering. 80 av originalet 80 sattes sedan till kvotprovkvoten med 20 satt till quotout-of-sample, cc som visas i Fig. 1. Bidaskanspridningen sattes till 5 pips och handelskostnader på 6 pips eller 60 per full - Storleksandelen (100 000 aktier) antogs per omgång. Båda dataserierna ingick i byggnaden, vilket indikeras av kryssrutorna i den vänstra kolumnen i tabellen Market Data. Figur 1. Marknadsdatainställningar för att bygga en forexstrategi för MetaTrader 4 och TradeStation. Ett annat potentiellt problem vid inriktning på flera plattformar är att Builder är utformad för att duplicera hur varje stödd plattform beräknar dess indikatorer, vilket kan innebära att indikatorvärdena kommer att vara olika beroende på vilken plattform som väljs. För att undvika denna möjliga skillnadskälla bör alla indikatorer som utvärderas annorlunda i MetaTrader 4 än i TradeStation elimineras från byggnaden, vilket innebär att följande indikatorer bör undvikas: Alla andra indikatorer som är tillgängliga för båda plattformarna beräknas på samma sätt i båda plattformarna. TradeStation innehåller alla indikatorer som finns tillgängliga i Builder, medan MetaTrader 4 inte gör det. För att bara inkludera indikatorer som finns tillgängliga på båda plattformarna, bör MetaTrader 4-plattformen väljas som kodtyp i Builder. Det tar automatiskt bort indikatorer från byggsatsen som inte är tillgängliga för MT4, vilket lämnar indikatorerna som finns tillgängliga på båda plattformarna. Dessutom, eftersom jag märkte skillnader i volyldata från varje plattform, tog jag bort alla volymberoende indikatorer från byggsatsen. Slutligen avlägsnades tidsindikatorn på grund av skillnader i tidszoner mellan datafiler. I figur 2 nedan visas listan över indikatorer som används i byggsatsen sorterad efter huruvida indikatorn beaktades av byggprocessen (quotConsiderquot-kolumnen) eller ej. Indikatorerna borttagna av hänsyn till ovanstående skäl visas ovanpå listan. De återstående indikatorerna, som börjar med quotSimple Mov Avequot, var alla en del av byggsatsen. Figur 2. Indikatorval i Builder, vilket visar indikatorerna som tas bort från byggsatsen. Utvärderingsalternativen som används i byggprocessen visas i figur 3. Som diskuterades, valdes MetaTrader 4 som val av kodutgång. När strategier är byggda i Builder kan något av alternativen på fliken Evalueringsalternativ, inklusive kodtyp, ändras och strategierna utvärderas, vilket också kommer att skriva om koden på vilket språk som valts. Denna funktion användes för att skaffa TradeStation-koden för den slutliga strategin efter att strategierna byggdes för MetaTrader 4. Figur 3. Utvärderingsalternativ i Builder för EURUSD-forexstrategin. För att skapa stop-and-reverse-strategier, togs alla utmatningstyper bort från byggsatsen, som visas nedan i figur 4. Alla tre typer av orderorder - marknad, stopp och gräns - lämnades som quotconsiderquot, vilket innebär att byggprocessen kunde överväga någon av dem under byggprocessen. Figur 4. Ordertyper som valts i Builder för att skapa en stop-and-reverse-strategi. Builder-mjukvaran genererar automatiskt regelbaserade logiska förhållanden för inmatning och exit. Om du vill lägga till ett neuralt nätverk i strategin behöver du bara välja alternativet IncInclude ett neuralt nätverk i inmatningsförhållandena på fliken Strategialternativ, som visas nedan i figur 5. De neurala nätverksinställningarna lämnades till deras standardvärden. Som en del av stop-and-reverse-logiken ställdes alternativet Market Sides till LongShort, och alternativet att quotWait för avsluta innan du anslöt till nya tradequot var avmarkerad. Det senare är nödvändigt för att möjliggöra att orderingången lämnar den nuvarande positionen vid en omkastning. Alla andra inställningar lämnades vid standardinställningarna. Figur 5. Strategialternativ som valts i Builder för att skapa en hybridstrategi med både regelbaserade och neurala nätverksförhållanden. Den evolutionära karaktären av byggprocessen i byggaren styrs av träningen. som beräknas utifrån målen och villkoren som definieras på fliken Metrics, som visas nedan i figur 6. Byggnadsmålen behölls enkla: maximera nettoresultatet samtidigt som komplexiteten minimerades, vilket gav en liten vikt i förhållande till nettovinsten. Mer tonvikt läggdes på byggnadsförhållandena, vilket inkluderade korrelationskoefficienten och betydelsen för den allmänna strategikvaliteten, såväl som den genomsnittliga baren i branschen och antalet branscher. Inledningsvis inkluderades endast de genomsnittliga staplarna i branschen som ett byggnadsförhållande. I vissa av de tidiga byggnaderna blev dock nettovinsten favoriserad över handelslängden, så att antalet handelsvärden ökades. Det angivna intervallet för antalet branscher (mellan 209 och 418) motsvarar genomsnittliga handelslängder mellan 15 och 30 bar baserat på antalet barer under byggnadsperioden. Till följd av att denna metriska sats lägger större vikt vid handelslängdsmålet, vilket resulterade i fler medlemmar av befolkningen med önskat antal handelslängder. Figur 6. Skapa mål och villkor som anges på fliken Metrics, bestäm hur träningen beräknas. Kvotförutsättningarna för att välja Top Strategiesquot duplicerar byggnadsförhållandena, med undantag för att de översta strategiska villkoren utvärderas över hela datamängden (inte inklusive valideringssegmentet, vilket är separat), snarare än bara under byggperioden, vilket är fallet för byggförhållanden. De bästa strategierna används av programmet för att lägga undan några strategier som uppfyller alla förhållanden i en separat befolkning. De slutliga inställningarna görs på fliken Byggalternativ, som visas nedan i figur 7. De viktigaste alternativen här är befolkningsstorleken, antalet generationer och möjligheten att återställa baserat på kvotens prestanda. Befolkningsstorleken valdes för att vara stor nog för att få god mångfald i befolkningen, samtidigt som den fortfarande är tillräckligt liten för att bygga inom en rimlig tid. Antalet generationer var baserat på hur lång tid det tog under några preliminära byggnader för resultaten att börja konvergera. Figur 7. Byggalternativ inkluderar befolkningsstorlek, antal generationer och alternativ för att återställa befolkningen baserat på quotout-of-samplequot-prestanda. Alternativet att quotReset on Out of Sample (OOS) Prestationsquot startar byggprocessen efter det angivna antalet generationer om det angivna villkoret är uppfyllt i det här fallet kommer befolkningen att återställas om nettotillskottets quotout-of-samplequot är mindre än 20 000. Detta värde valdes utifrån preliminära tester för att vara ett tillräckligt högt värde som det förmodligen inte skulle uppnås. Som en följd upprepades byggprocessen var 30: e generation tills man stoppade manuellt. Detta är ett sätt att låta programmet identifiera strategier baserade på Top Strategies-förhållandena under en längre tid. Periodiskt kan Topstrategies befolkning kontrolleras och byggprocessen avbröts när lämpliga strategier hittas. Lägg märke till att jag lägger citat-av-samplequot i citat. När perioden för quotout-of-samplequot används för att nollställa populationen på detta sätt är den inte-exemplariska perioden inte längre existerande. Sedan denna period nu används för att styra byggprocessen, är den en del av provperioden. Det är därför som det är lämpligt att avsätta ett tredje segment för validering, som diskuterats ovan. Efter flera timmars bearbetning och ett antal automatiska ombyggnader fanns en lämplig strategi i toppstrategierna. Den stängda kurvan för handelskapital visas nedan i figur 8. Aktiekurvan visar konsekvent prestanda över båda datasegmenten med ett adekvat antal branscher och i huvudsak samma resultat över båda dataserierna. Figur 8. Closed-trade equity kurva för EURUSD stopp-och-omvänd strategi. För att kontrollera strategin under valideringsperioden ändrades datumkontrollen på fliken Markörer (se bild 1) till slutdatumet för data (2112015) och strategin revurderades genom att välja utvärdera kommandot från strategin menyn i byggaren. Resultaten visas nedan i figur 9. Valideringsresultaten i den röda rutan visar att strategin höll på data som inte användes under byggprocessen. Figur 9. Closed-trade-kapitalkurva för EURUSD-stopp-och-omvänd strategi, inklusive valideringstiden. Den slutliga kontrollen är att se hur strategin utfördes på varje dataserie separat med hjälp av kodutmatningsalternativet för den plattformen. Detta är nödvändigt eftersom det, som förklarat ovan, kan finnas skillnader i resultaten beroende på (1) kodtypen och (2) dataserien. Vi måste verifiera att de valda inställningarna minimerade dessa skillnader, som avsedda. För att testa strategin för MetaTrader 4 avmarkerades dataserien från TradeStation på fliken Markets och strategin revurderades. Resultaten visas nedan i Fig. 10, vilket duplicerar bottenkurvan i Fig. 9. Figur 10. Closed-trade equity kurva för EURUSD stopp-och-omvänd strategi, inklusive valideringstiden, för MetaTrader 4. Slutligen testa strategin för TradeStation, valdes dataserien från TradeStation och serien för MetaTrader 4 avmarkerades på fliken Marknader, kodutgången ändrades till quotTradeStation, quot och strategin revurderades. Resultaten visas nedan i Fig. 11 och verkar vara mycket lika med mittkurvan i Fig. 9, som förväntat. Figur 11. Closed-trade equity kurva för EURUSD stopp-och-omvänd strategi, inklusive valideringsperioden, för TradeStation. Koden för båda plattformarna finns nedan i figur 12. Klicka på bilden för att öppna kodfilen för motsvarande plattform. Att granska koden avslöjar att den regelbaserade delen av strategin använder olika volatilitetsrelaterade förhållanden för de långa och korta sidorna. De neurala nätverksingångarna består av en mängd olika indikatorer, inklusive veckotid, trend (ZLTrend), intraday high, oscillatorer (InvFisherCycle, InvFisherRSI), Bollinger-band och standardavvikelse. Strategiets hybrid-karaktär kan ses direkt i koddeklarationen (från TradeStation-koden): Om EntCondL och NNOutput gt 0.5 börjar sedan Köp (quotEnMark-Lquot) NShares aktier nästa bar på marknaden Variabeln quotEntCondLquot representerar regelbaserad post villkor och quotNNOuputquot är utsignalen från det neurala nätverket. Båda förhållandena måste vara sanna att placera lång orderingång. Korttillståndet fungerar på samma sätt. Figur 12. Handelsstrategikod för EURUSD stopp-och-omvänd strategi (vänster, MetaTrader 4 rätt, TradeStation). Klicka på siffran för att öppna motsvarande kodfil. Hämta en Builder-projektfil (.gpstrat) med de inställningar som beskrivs i den här artikeln. Denna artikel såg på processen att bygga en hybridregelbaserad nätverksstrategi för EURUSD med hjälp av en stopp-och-omvänd (alltid på marknaden) strategi med Adaptrade Builder. Det visades hur strategikoden kan genereras för flera plattformar genom att välja en gemensam delmängd av indikatorerna som fungerar på samma sätt på varje plattform. De inställningar som krävs för att generera strategier som vänder om från lång till kort och bakåt beskrevs, och det visades att den resulterande strategin utfördes positivt på ett separat, valideringssegment av data. Det verifierades också att strategin genererade liknande resultat med data - och kodalternativet för varje plattform. Som diskuterats ovan har stop-and-reverse-metoden flera nackdelar och kan inte vädja till alla. Men en alltid-i-marknaden-strategi kan vara mer attraktiv med forexdata eftersom valutamarknaden handlar dygnet runt. Som ett resultat är det inga luckor i öppningsöppningen, och handelsorderna är alltid aktiva och tillgängliga för att vända handeln när marknaden förändras. Användningen av intradagdata (4-timmarsfält) tillhandahöll mer databarder för användning i byggprocessen, men var annars ganska godtycklig, eftersom strategin alltid innehas av marknaden innebär att handeln transporteras över natten. Byggprocessen fick utveckla olika förutsättningar för att komma in lång och kort, vilket resulterade i en asymmetrisk stopp-och-omvänd strategi. Trots namnet går den resulterande strategin i både långa och korta affärer på marknadsordningar, även om marknads-, stopp - och gränsvärdena alla betraktades av byggprocessen oberoende av varje sida. I praktiken skulle omvändning från lång till kort betyda att sälja kort två gånger antalet aktier på marknaden, eftersom strategin för närvarande var länge t. ex. Om den nuvarande långa positionen var 100 000 aktier skulle du sälja korta 200 000 aktier på marknaden. På samma sätt, om den nuvarande korta positionen var 100 000 aktier, skulle du köpa 200 000 aktier på marknaden för att vända från kort till lång. En kortare prishistoria användes än vad som skulle vara idealisk. Resultatet var dock positivt på valideringssegmentet, vilket tyder på att strategin inte var överpassad. Detta stöder tanken att ett neuralt nätverk kan användas i en handelsstrategi utan att nödvändigtvis överdriva strategin på marknaden. Strategin som presenteras här är inte avsedd för faktisk handel och testades inte i realtidsspårning eller handel. Denna artikel kan dock användas som en mall för att utveckla liknande strategier för EURUSD eller andra marknader. Som alltid bör varje handelsstrategi du utvecklar testas noggrant i realtidsspårning eller på separata data för att validera resultaten och för att bekanta dig med strategins handelsegenskaper före live trading. Den här artikeln visas i februari 2015-numret av Adaptrade Software-nyhetsbrevet. HYPOTETISKA ELLER SIMULERADE RESULTATRESULTAT HAR SÄRSKILDA BEGRÄNSNINGAR. I likhet med en verklig prestationsrekord, representerar SIMULERADE RESULTAT INTE VERKSAMHET. Eftersom de faktiska omständigheterna inte har genomförts, kan resultaten ha underförstått eller överkompenseras för konsekvenserna, om några av vissa marknadsfaktorer, som saknar likviditet. SIMULERADE HANDELSPROGRAMMER I ALLMÄNT ÄR ÄVEN FAKTISKT ATT DE DESIGNERAS MED FÖRDELNINGEN AV HINDSIGHT. INGEN REPRESENTATION GÖRAS ATT ANTAL KONKURRERAR ELLER ÄR LIKTIGT FÖR ATT FÖRVÄNDA RESULTAT ELLER TABELL SOM LIKNAR TILL DE VISADE. Om du vill bli informerad om nya nyheter, nyheter och specialerbjudanden från Adaptrade Software, var vänlig och följ med i vår e-postlista. Tack. Bollinger Bands är en utbredd teknisk indikator för att mäta och visa volatiliteten i värdepapper. Banden åstadkommer detta genom att visa om priserna är höga med användning av ett övre band och om de är låga med användning av ett lägre band. Banden är baserade på volatiliteten (standardavvikelsen) av tidigare prisdata. Denna indikator kan hjälpa till med ett strikt mönsterigenkänning och är användbart vid jämförelse av nuvarande prisåtgärder till möjliga köp - och säljsignaler, vilket hjälper till att nå fram till ett självständigt systematiskt handelsbeslut. På grund av dess inneboende egenskaper kan indikatorn emellertid ge falska signaler under handel på vissa trendmarknader. Forskningen i denna avhandling utvecklar två modifierade modeller, en kombinera neurala nätverk med Bollinger Bands tekniska indikator och en annan med en GARCH-in-mean modell med Bollinger Bands tekniska indikator för att förutsäga och handla på säkerhetsutvecklingen. Antagandet av det kombinerade systemet är att det neurala nätverket eller GARCH-modellen kommer att bidra till att övervinna de bakomliggande aspekterna av Bollinger Bands-indikatorn genom att tillhandahålla en nästa dagsprognos, så att näringsidkaren kan fatta rätt handelsbeslut. Lönsamheten hos modellen testas med hjälp av 10 amerikanska lager och index - Abstract, blad iii. Institutionen (er) Teknikhantering och systemteknik Grad Namn M. S. I Engineering Management University of Missouri - Rolla Publiceringsdatum Pagination Anmälning om bibliografi Innehåller bibliografiska referenser (sidan 39). 2005 Yanqiong Dong, All rights reserved. Dokumenttyp Bibliotek av kongress Ämnesrubriker Investeringsanalys Aktier - Priser - Matematiska modeller Aktiekursuträkning Neural networks (Computer science) Examensnummer Print OCLC Länk till katalog Spela in Fulltext inte tillgänglig: Begär denna publikation direkt från Missouri ST Library eller kontakta ditt lokala bibliotek. Rekommenderad Citation Dong, Yanqiong, Användningen av neurala nätverk, GARCH-modeller, och den tekniska indikatorn för Bollinger Bands för beslutsfattande för aktiehandel (2005). Mästersprojekt. 5847. scholarsmine. mst. edumasterstheses5847
No comments:
Post a Comment