Perdagangan FX frekuensi tinggi intraday dengan sistem inferensi neuro-fuzzy adaptif Abdalla Kablan dan Wing Lon Ng Abstrak: Makalah ini memperkenalkan sistem inferensi neuro-fuzzy adaptif (ANFIS) untuk perdagangan keuangan, yang belajar memprediksi pergerakan harga dari data pelatihan yang terdiri dari intraday Centang data sampel pada frekuensi tinggi Data empiris yang digunakan dalam penyelidikan kami adalah rangkaian harga mid-price lima menit dari pasar FX. Pengoptimalan ANFIS melibatkan pengujian balik serta memvariasikan jumlah zaman, dan digabungkan dengan metode baru untuk menangkap volatilitas menggunakan pendekatan berbasis peristiwa yang mempertimbangkan perubahan arah dalam ambang yang telah ditentukan sebelumnya. Hasilnya menunjukkan bahwa model yang diusulkan melampaui strategi standar seperti peramalan buy-and-hold atau linear. Unduhan: (tautan eksternal) indersciencelink. phpid38529 (texthtml) Akses ke teks lengkap dibatasi untuk pelanggan. Karya terkait: Item ini mungkin tersedia di tempat lain di EconPapers: Cari item dengan judul yang sama. Referensi ekspor: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Artikel lainnya di Jurnal Internasional Pasar Keuangan dan Derivatif dari Inderscience Enterprises Ltd Data seri yang dikelola oleh Darren Simpson (). Situs ini merupakan bagian dari RePEc dan semua data yang ditampilkan di sini adalah bagian dari kumpulan data RePEc. Apakah pekerjaan Anda hilang dari RePEc Berikut adalah cara berkontribusi. Pertanyaan atau masalah Periksa FAQ EconPapers atau kirim surat ke. Penggunaan Strategi Rata-rata Bergerak Rata-rata Bergerak Dinamis untuk Perdagangan Intraday Makalah ini dimotivasi oleh aspek ketidakpastian dalam pengambilan keputusan keuangan, dan bagaimana kecerdasan buatan dan komputasi lunak, dengan ketidakpastiannya. Mengurangi aspek dapat digunakan untuk aplikasi perdagangan algoritmik yang diperdagangkan dalam frekuensi tinggi. Makalah ini menyajikan sistem perdagangan frekuensi tinggi yang dioptimalkan yang telah dikombinasikan dengan berbagai moving averages untuk menghasilkan sistem hibrida yang melebihi sistem perdagangan yang hanya mengandalkan moving averages. Makalah ini mengoptimalkan sistem inferensi neuro-fuzzy adaptif yang mengambil harga dan rata-rata pergerakannya sebagai masukan, belajar untuk memprediksi pergerakan harga dari data pelatihan yang terdiri dari data intraday, switch dinamis antara rata-rata bergerak terbaik, dan melakukan pengambilan keputusan kapan Untuk membeli atau menjual mata uang tertentu dalam frekuensi tinggi. 1 A. Kablan (2009). Sistem Analisis Momentum Logika Fuzzy untuk Pialang Keuangan, prosiding Konferensi Internasional Teori dan Teknik Keuangan. IEEEXplore, Vol 1, hal. 57-62. ISBN: 978-0-7695-3949-2 2 A. Kablan (2009). Adaptive Neuro Fuzzy Systems untuk Perdagangan Frekuensi Tinggi dan Peramalan, prosiding Konferensi Internasional Ketiga mengenai Komputasi dan Aplikasi Teknik Lanjutan di Ilmu Pengetahuan. A. Kablan, WL Ng, (2010), Strategi Perdagangan Frekuensi Tinggi Menggunakan Hilbert Transform, Konferensi Internasional ke-6 mengenai Komputasi dan Advanced Jaringan. Page 1 of 4 | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | Manajemen informasi. Vol. 1, hal. 466 - 471. ISBN: 978-89-88678-26-8 4 A. Kablan, WL Ng, (2010), Perdagangan Frekuensi Tinggi dengan Analisis Momentum Fuzzy, prosiding Konferensi Teknik Keuangan Internasional IAENG tahun 2010 ICFE), London. Vol 1, hal. 352-357. ISBN: 978-988-17012-9-9 5 A. Kablan, WL Ng, (2011), Strategi Penempatan Pesanan Frekuensi Tinggi dengan Fuzzy Logic dan Fuzzy Inference, IAENG International Journal of Computer Science , Isu khusus. 6 A. Kablan, W. L. Ng, (2011), Perdagangan Valas Frekuensi Intraday High-Frequency dengan Adaptive Neuro-Fuzzy Inference Systems, Jurnal Internasional Pasar Keuangan dan Derivatif. 7 A. Kablan. Adaptive Neuro Fuzzy Inference Systems untuk Perdagangan dan Peramalan Keuangan Frekuensi Tinggi. Prosiding Konferensi Internasional Ketiga tentang Komputasi dan Aplikasi Teknik Lanjutan di Ilmu Pengetahuan. 2009. 8 Banik, S et. Al. (2007), Memodelkan perilaku kacau nilai Indeks Pasar Saham Dhaka menggunakan model neuro-fuzzy, konferensi internasional ke-10 mengenai teknologi informasi dan komputer 9 C. Tseng, Y. Lin. Kecerdasan Komputasi Keuangan. Masyarakat untuk Ekonomi Komputasi. Komputasi di bidang Ekonomi dan Keuangan no. 42. 2005. 10 Chang, S. S. L (1977). Penerapan teori himpunan fuzzy terhadap ekonomi. Kybernetes 6, hal 203-207 11 Dacarogna, M. et al 2001, Pengantar Keuangan Frekuensi Tinggi, Pers Akademik 12 Asrama, AV (1997): Kekuatan Uang, Macmillan Press, London 13 E. Boehmer (2005) Dimensi kualitas eksekusi: bukti baru-baru ini untuk pasar ekuitas AS. Jurnal Ekonomi Keuangan 78, 553-582, 2005. 14 E. F. Fama. (1970) Pasar modal yang efisien: Tinjauan teori dan kerja empiris. Journal of Finance, halaman 383-417, 15 Mei Grabbe, J. O. (1996): Pasar Keuangan Internasional, Hills Englewood, Prentice Hall Inc. 16 J. C. Bezdek, R. Krisnapuram, N. R. Pal. (1999). Model dan algoritma fuzzy untuk pengenalan pola dan pengolahan citra. Peloncat. 17 JM. Griffin, F. Nardari, R. Stulz. Perdagangan pasar saham dan kondisi pasar. NBER, Kertas Kerja 10719, 1-48. 2004. 18 Kablan, A, WL Ng, (2011 High Frequency Trading menggunakan Fuzzy Momentum Analysis, Springer Engineering Letters, London 19 Li, Y. Musilek, P dan Wyard-Scott, L. Fuzzy logic dalam desain game berbasis agen. Pertemuan Tahunan Pengolahan Informasi Fuzzy 2004, jilid 2, pp734-739, 2004. 20 Lootsma, FA (1997) Logika fuzzy untuk perencanaan dan pengambilan keputusan Springer 21 M. Fedrizzi, W. Ostasiewicz (1993.) Menuju Pemodelan fuzzy di bidang ekonomi Fuzzy set and systems, vol. 54, Issue 3, pp 259-268, 22 Ormerod, P. (2000) Ekonomi kupu-kupu: Teori umum baru tentang perilaku sosial dan ekonomi Pantheon, New York. Roger Jang, JS ANFIS: Sistem inferensi fuzzy berbasis jaringan adaptif, Transaksi IEEE pada Sistem, Manusia, dan Sistem Operasi. Dan Sibernetika, 23 (3) (1993) 665-685 25 S. Chabaa dan A. Zeroual Memprediksi Data Transmisi Paket melalui Jaringan IP Menggunakan Adaptive Neuro-Fuzzy Sistem Inferensi Jurnal Ilmu Komputer Vol. 5 (2), hal. 123-130, 2009. 26 Schulmeister, S, 2009, Pajak Transaksi Keuangan Umum: Potongan Pendek Pro, Kontra dan Proposal -, Kertas Kerja WIFO No. 344. 27 T. Hellstrm dan K. Holmstrom. Memprediksi Pasar Modal. Laporan Teknis Ima-TOM-1997-07, Pusat Pemodelan Matematika, Jurusan Matematika dan Matematika, Universitas Malardalen, Vasteras, Swedia, Agustus 1998. 28 T. Takagi dan M. Sugeno. Identifikasi sistem dan aplikasinya terhadap pemodelan dan kontrol, Transaksi IEEE pada Sistem, Manusia dan Sibernetika, Vol. 15, hlm 116-132, 1985. 29 Takagi T. dan Sugeno, M. Fuzzy identifikasi sistem dan aplikasinya terhadap pemodelan dan pengendalian, Transaksi IEEE pada Sistem, Manusia dan Sibernetika, 15 (1985) 116-132. 30 Wilson, R. dan Sharda, R. Prediksi kebangkrutan menggunakan jaringan syaraf tiruan, Sistem Pendukung Keputusan, 11 (1994) 545-557. 31 Yeh, S. Landsman, W. R. Miller, B. L. Peasnell, K. V. (2011). Apakah investor mengerti benar-benar surplus kotor. Review Akuntansi, 86 (1), 237-258. 32 Yoon, Y. Guimaraes, T. dan Swales, G. Mengintegrasikan jaringan syaraf tiruan dengan sistem pakar berbasis aturan, Decision Support Systems, 11 (1994) 497-507. 33 Zadeh, L. Fuzzy set. Informasi dan Kontrol, vol. 8, hal. 338-353, 1965. 34 Zadeh, L. A. Fuzzy set, Information Control, 8 (1965) 338-353.Slideshare menggunakan cookies untuk meningkatkan fungsionalitas dan kinerja, dan memberi Anda iklan yang relevan. Jika Anda terus browsing situs, Anda setuju dengan penggunaan cookies di situs ini. Lihat Perjanjian Pengguna dan Kebijakan Privasi kami. Slideshare menggunakan cookies untuk meningkatkan fungsionalitas dan kinerja, dan memberi Anda iklan yang relevan. Jika Anda terus browsing situs, Anda setuju dengan penggunaan cookies di situs ini. Lihat Kebijakan Privasi dan Perjanjian Pengguna kami untuk rinciannya. Jelajahi semua topik favorit Anda di aplikasi SlideShare Dapatkan aplikasi SlideShare untuk Simpan untuk Nantinya bahkan secara offline Terus ke situs mobile Upload Masuk Signup Ketuk dua kali untuk memperkecil tampilan Adaptif-Neuro-Fuzzy-Inference-System-for-Financial-Trading-using - Intraday-Seasonality-Observation-Model Bagikan salinan SlideShare LinkedIn Corporation 2017 ini
Comments
Post a Comment