Intraday ความถี่สูง forex ซื้อขาย ที่มี การปรับตัว ระบบประสาท เลือน อนุมาน ระบบ

การซื้อขาย FX ในวันนี้โดยใช้ระบบอนุมานแบบฟิวซี่แบบปรับตัว (adaptive neuro-fuzzy inference system) เอกสารฉบับนี้นำเสนอระบบการอนุมานแบบเลือนนัยน์ตา (ANFIS) สำหรับการซื้อขายทางการเงินซึ่งจะเรียนรู้การคาดการณ์การเคลื่อนไหวของราคาจากข้อมูลการฝึกอบรมซึ่งประกอบด้วยข้อมูลการติ๊กในวันทำการที่ความถี่สูง ข้อมูลเชิงประจักษ์ที่ใช้ในการตรวจสอบของเราคือชุดเวลากลางๆ 5 นาทีจากตลาดอัตราแลกเปลี่ยน การเพิ่มประสิทธิภาพของ ANFIS เกี่ยวข้องกับการทดสอบกลับรวมถึงการเปลี่ยนแปลงจำนวนของยุคและรวมกับวิธีใหม่ในการจับภาพความผันผวนโดยใช้วิธีการแบบเหตุการณ์ที่คำนึงถึงการเปลี่ยนแปลงทิศทางภายในเกณฑ์ที่ระบุไว้ล่วงหน้า ผลการวิจัยแสดงให้เห็นว่าแบบจำลองที่นำเสนอมีประสิทธิภาพดีกว่ากลยุทธ์มาตรฐานเช่นการพยากรณ์การซื้อหรือถือหรือการคาดการณ์เชิงเส้น หากคุณประสบปัญหาในการดาวน์โหลดไฟล์โปรดตรวจสอบว่าคุณมีแอพพลิเคชั่นที่ถูกต้องหรือไม่ในการดาวน์โหลดไฟล์ก่อน ในกรณีที่มีปัญหาอื่น ๆ อ่านหน้าความช่วยเหลือ IDEAS โปรดทราบว่าไฟล์เหล่านี้ไม่ได้อยู่ในไซต์ IDEAS โปรดอดใจรอเนื่องจากไฟล์มีขนาดใหญ่ เนื่องจากการเข้าถึงเอกสารนี้มีข้อ จำกัด คุณอาจต้องค้นหาเวอร์ชันอื่นภายใต้หัวข้อการวิจัยที่เกี่ยวข้อง (เพิ่มเติมด้านล่าง) หรือค้นหารุ่นอื่น ๆ เมื่อต้องการแก้ไขโปรดระบุรายการนี้ที่จัดการ: RePEc: id: ijfmkd: v: 2: y: 2011: i: 12: p: 68-87 ดูข้อมูลทั่วไปเกี่ยวกับวิธีการแก้ไขเนื้อหาใน RePEc สำหรับคำถามทางเทคนิคเกี่ยวกับรายการนี้หรือเพื่อแก้ไขข้อมูลผู้แต่งชื่อเรื่องนามธรรมข้อมูลบรรณานุกรมหรือดาวน์โหลดโปรดติดต่อ: (Darren Simpson) หากคุณเป็นผู้เขียนรายการนี้และยังไม่ได้ลงทะเบียนกับ RePEc เราขอแนะนำให้คุณดำเนินการที่นี่ ซึ่งจะช่วยให้คุณสามารถเชื่อมโยงโปรไฟล์ของคุณกับรายการนี้ได้ นอกจากนี้ยังช่วยให้คุณสามารถยอมรับการอ้างอิงที่อาจเกิดขึ้นกับรายการนี้ซึ่งเราไม่แน่ใจ หากข้อมูลอ้างอิงหายไปคุณสามารถเพิ่มเอกสารเหล่านี้โดยใช้แบบฟอร์มนี้ ถ้าการอ้างอิงแบบเต็มแสดงรายการที่มีอยู่ใน RePEc แต่ระบบไม่ได้เชื่อมโยงกับรายการดังกล่าวคุณสามารถช่วยแบบฟอร์มนี้ได้ หากคุณรู้จักรายการที่ขาดหายไปโดยอ้างถึงรายการนี้คุณสามารถช่วยเราในการสร้างลิงก์เหล่านี้ได้โดยการเพิ่มข้อมูลอ้างอิงที่เกี่ยวข้องในลักษณะเดียวกับข้างต้นสำหรับแต่ละรายการอ้างอิง หากคุณเป็นผู้เขียนที่ลงทะเบียนรายการนี้คุณอาจต้องการตรวจสอบแท็บการอ้างอิงในโปรไฟล์ของคุณเนื่องจากอาจมีการอ้างอิงบางส่วนที่รอการยืนยัน โปรดทราบว่าการแก้ไขอาจใช้เวลาสองถึงสามสัปดาห์เพื่อกรองบริการ RePEc ต่างๆ บริการเพิ่มเติมติดตามซีรี่ส์, วารสาร, ผู้เขียนแอมป์เพิ่มเติมเอกสารใหม่ทางอีเมลสมัครสมาชิกเพิ่มใหม่เพื่อ RePEc การลงทะเบียนผู้เขียนโปรไฟล์สาธารณะสำหรับนักเศรษฐศาสตร์การวิจัยการจัดอันดับต่างๆของสาขาเศรษฐศาสตร์ด้านแอ็พพ็อตใครเป็นนักเรียนของ RePEc RePEc Biblio Curated articles amp บทความเกี่ยวกับหัวข้อเศรษฐศาสตร์ต่างๆอัปโหลดบทความของคุณเพื่อแสดงใน RePEc และ IDEAS EconAcademics Blog aggregator สำหรับการวิจัยด้านเศรษฐศาสตร์การขโมยความคิดกรณีของการขโมยความคิดเรื่องเศรษฐศาสตร์งาน Market Papers RePEc ชุดเอกสารการทำงานที่อุทิศให้กับตลาดงาน Fantasy League แกล้งทำเป็นว่าคุณเป็นผู้นำทางด้านเศรษฐศาสตร์ แผนกบริการจาก StL Fed Data, การวิจัย, ปพลิเคชันแอมป์เพิ่มเติมจากเซนต์หลุยส์ Fed การคาดการณ์ของชุดเวลาทางการเงินเป็นกระบวนการที่ซับซ้อนมาก การดูครั้งแรกในซีรีส์เวลาทางการเงินทำให้เกิดความรู้สึกว่าเป็นแบบสุ่ม ถ้าเป็นความจริงนี้จะทำให้การคาดการณ์และดังนั้นการค้าของชุดดังกล่าวเป็นเรื่องยากเป็นพิเศษ สมมติฐานของตลาดที่มีประสิทธิภาพระบุว่าราคาปัจจุบันมีข้อมูลทั้งหมดที่มีอยู่ในตลาด สิ่งนี้นำไปสู่การคาดการณ์ของชุดเวลาทางการเงินส่วนใหญ่ได้ว่าเป็นประเด็นที่มีการถกเถียงกันมาก ผู้เชี่ยวชาญได้รับการคาดการณ์และทำการซื้อขายตลาดการเงินมานานหลายทศวรรษโดยใช้ความรู้และความชำนาญในการจำแนกรูปแบบและการแปลข้อมูลทางการเงินในปัจจุบัน กระดาษนี้ขยายระบบอนุมาน Neuro-Fuzzy แบบปรับตัวเพื่อสร้างระบบผู้เชี่ยวชาญที่มีความสามารถในการใช้เหตุผลแบบฟัซซีรวมกับความสามารถในการจดจำรูปแบบของโครงข่ายประสาทเทียมเพื่อใช้ในการพยากรณ์อากาศและการซื้อขาย ความแปลกใหม่ของแนวทางนี้อยู่ในการประยุกต์ใช้กับสาขาการเงินที่มีความถี่สูง วิธีการดังกล่าวยังไม่ได้ถูกนำไปใช้ในการซื้อขายด้วยความถี่สูงหรือเป็นส่วนหนึ่งของกลยุทธ์การซื้อขายแบบอัตโนมัติ นี้มีการผลิตระบบการค้าผู้เชี่ยวชาญที่เอาชนะข้อ จำกัด ทางกายภาพของผู้เชี่ยวชาญของมนุษย์และผู้ค้าในการตัดสินใจหลายครั้งในช่วงเวลาสั้น ๆ ซึ่งหมายความว่าระบบสามารถคาดการณ์และตัดสินใจซื้อขายได้ในความถี่สูงโดยใช้ข้อมูลภายในวัน การพยากรณ์ทางการเงินสมมุติฐานทางการตลาดที่มีประสิทธิภาพระบบอนุมานแบบประสาท - เลือนการซื้อขายความถี่สูง Abdalla Kablan ระบบอนุมาน Neuro Fuzzy Inference สำหรับระบบการค้าและพยากรณ์การเงินระบบ High Frequency การคำนวณทางวิศวกรรมขั้นสูงและการประยุกต์ใช้ในวิทยาศาสตร์การประชุมระหว่างประเทศเรื่อง ฉบับ 00, ไม่มี หน้า 105-110, 2009, doi: 10.1109ADVCOMP.2009.23 การใช้กลยุทธ์การเพิ่มประสิทธิภาพสูงแบบไดนามิกสำหรับกลยุทธ์การซื้อขายในวันนี้โดยมีวัตถุประสงค์เพื่อเพิ่มความสามารถในการตัดสินใจทางการเงินและความฉลาดในการคำนวณ ความไม่แน่นอนของการลดลักษณะสามารถนำมาใช้สำหรับการค้าอัลกอริทึมการค้าที่ใช้ความถี่สูง บทความนี้นำเสนอระบบการซื้อขายความถี่สูงที่มีการปรับให้เหมาะสมกับค่าเฉลี่ยเคลื่อนที่ต่างๆเพื่อสร้างระบบไฮบริดที่เหนือกว่าระบบการซื้อขายที่อาศัยค่าเฉลี่ยเคลื่อนที่เท่านั้น บทความนี้จะเพิ่มประสิทธิภาพของระบบอนุมานแบบปรับสมมุติฐานแบบประสาทเลือนซึ่งใช้ทั้งราคาและค่าเฉลี่ยเคลื่อนที่เป็นข้อมูลเข้าเรียนรู้การคาดการณ์การเคลื่อนไหวของราคาจากข้อมูลการฝึกอบรมซึ่งประกอบไปด้วยข้อมูลในวันนั้นซึ่งจะสลับไปมาระหว่างค่าเฉลี่ยเคลื่อนที่ที่ดีที่สุดและทำการตัดสินใจเมื่อ เพื่อซื้อหรือขายสกุลเงินหนึ่งในความถี่สูง 1 A. Kablan (2009) ระบบวิเคราะห์โมเมนตัมลอจิกสำหรับนายหน้าทางการเงินการดำเนินการตามกฎหมายของการประชุมนานาชาติเรื่องทฤษฎีและวิศวกรรมทางการเงิน IEEEXplore, ฉบับที่ 1, หน้า 57-62 ISBN: 978-0-7695-3949-2 2 A. Kablan (2009) Adaptive Neuro Fuzzy Systems สำหรับการค้าและการพยากรณ์ความถนัดสูงการดำเนินการของการประชุมระหว่างประเทศครั้งที่สามเกี่ยวกับการคำนวณทางวิศวกรรมขั้นสูงและการประยุกต์ใช้ในวิทยาศาสตร์ A. IEEExplore, ฉบับที่ 1, หน้า 105-110. ISBN: 978-0-7695-3829-7 3 A. Kablan, WL Ng, (2010), กลยุทธ์การซื้อขายความถี่สูงโดยใช้ Hilbert Transform, การประชุมนานาชาติครั้งที่ 6 เรื่อง Network and Computing การจัดการข้อมูล. A. Kablan, WL Ng, (2010), การซื้อขายความถี่สูงโดยใช้การวิเคราะห์ Momentum Fuzzy, การดำเนินการของ IAENG 2010 International Conference of Financial Engineering ((IAENG 2010 International Conference of Financial Engineering) (ฉบับที่ 1, หน้า 466-471) ISBN: 978-89-88678-26-8 ICFE) กรุงลอนดอน A. Kablan, WL Ng, (2011), กลยุทธ์การจัดตำแหน่งคำสั่งซื้อความถี่สูงด้วยฟัซซีลอจิกและการอนุมานแบบฟัซซี่, IAENG International Journal of Computer Science , ปัญหาพิเศษ 6 A. Kablan, W. L. Ng, (2011), การค้าระหว่างประเทศด้วยความถี่สูงด้วยระบบอนุมาน Neuro-Fuzzy, วารสารนานาชาติของตลาดการเงินและอนุพันธ์ 7 A. Kablan Adaptive Neuro ฟัซซี่ระบบการอนุมานสำหรับการค้าทางการเงินความถี่สูงและการพยากรณ์ การประชุมวิชาการนานาชาติครั้งที่ 3 เรื่องการคำนวณทางวิศวกรรมขั้นสูงและการประยุกต์ใช้ในสาขาวิทยาศาสตร์ 2552 Banik, S et. อัล (2007), การสร้างโมเดลพฤติกรรมวุ่นวายของดัชนีราคาตลาดธากาโดยใช้แบบจำลองประสาท - เลือน, การประชุมนานาชาติเกี่ยวกับคอมพิวเตอร์และเทคโนโลยีสารสนเทศครั้งที่ 10 9 C. Tseng, Y. Lin ข่าวกรองการคำนวณทางการเงิน สมาคมเศรษฐศาสตร์คำนวณ การคำนวณทางเศรษฐศาสตร์และการคลัง 42. 2005. 10 Chang, S. S. L (1977). การประยุกต์ทฤษฎีเซตแบบฟัซซี่กับเศรษฐศาสตร์ Kybernetes 6, pp 203-207 11 Dacarogna, M. et al 2001, บทนำเกี่ยวกับการคลังที่มีความถี่สูง, สำนักพิมพ์วิชาการ 12 Dormale, AV (1997): พลังแห่งเงิน, Macmillan Press, London 13 E. Boehmer (2005) มิติของคุณภาพการดำเนินงาน: หลักฐานล่าสุดสำหรับตลาดตราสารทุนของสหรัฐฯ วารสารเศรษฐศาสตร์การเงิน 78, 553-582, 2005. 14 E. F. Fama (1970) ตลาดทุนที่มีประสิทธิภาพ: การทบทวนทฤษฎีและงานเชิงประจักษ์ วารสารการเงินหน้า 383-417, พฤษภาคม 15 Grabbe, J. O. (1996): ตลาดการเงินระหว่างประเทศ Englewood Hills, Prentice Hall Inc. 16 J. Bezdek, R. Krisnapuram, N. R. Pal. (1999) แบบจำลองฟัซซี่และอัลกอริทึมสำหรับการจดจำรูปแบบและการประมวลผลภาพ สปริงเกอร์ 17 JM Griffin, F. Nardari, R. Stulz การซื้อขายในตลาดหุ้นและสภาวะตลาด NBER, Working Paper 10719, 1-48 2004. 18 Kablan, A, WL Ng, (2011 High Frequency Trading โดยใช้ Fuzzy Momentum Analysis, Springer Engineering Letters, London. 19 Li, Y. Musilek, P และ Wyard-Scott, L. ตรรกะแบบฟัซซี่ในการออกแบบเกมโดยใช้ตัวแทน การประชุมประจำปีของการประมวลผลข้อมูลฟัซซี่ 2004, vol. 2, pp734-739, 2004. 20 Lootsma, FA (1997). ตรรกศาสตร์คลุมเครือสำหรับการวางแผนและการตัดสินใจ Springer 21 M. Fedrizzi, W. Ostasiewicz (1993. ) ไปทาง การจำลองแบบเลือนทางเศรษฐศาสตร์ชุดและระบบฟัซซี่เล่ม 54 ฉบับที่ 3 หน้า 259-268, 22 Ormerod, P. (2000) เศรษฐศาสตร์ผีเสื้อ: ทฤษฎีทั่วไปใหม่เกี่ยวกับพฤติกรรมทางสังคมและเศรษฐกิจ Pantheon, New York 23 Q Song, BS Chissom การคาดการณ์การลงทะเบียนด้วยชุดเวลาแบบคลุมเครือ Part II ชุด Fuzzy และระบบ 62, หน้า 1-8, 1994 24 Roger Jang, JS ANFIS: ระบบอนุมานแบบเลือนเลือนตามเครือข่ายแบบปรับได้, ธุรกรรม IEEE on Systems, Man และ Cybernetics, 23 (3) (1993) 665-685 25 S. Chabaa และ A. Zeroual การคาดการณ์ข้อมูลการส่งผ่านข้อมูลแพคเก็ตผ่านเครือข่าย IP โดยใช้ Adaptive Neuro-Fuzzy ระบบอนุมาน วารสารวิทยาศาสตร์คอมพิวเตอร์ฉบับที่ 26 Schulmeister, S, 2009, ภาษีการทำธุรกรรมทั่วไปทางการเงิน: การตัดสั้นข้อดีข้อเสียและข้อเสนอ -, เอกสารการทำงาน WIFO ฉบับที่ 344 27 T. Hellstrm and K. Holmstrom การคาดการณ์ตลาดหุ้น รายงานทางเทคนิค Ima-TOM-1997-07, ศูนย์การสร้างแบบจำลองทางคณิตศาสตร์, ภาควิชาคณิตศาสตร์และ Physis, Malardalen University, Vasteras, สวีเดน, สิงหาคม 1998. 28 T. Takagi and M. Sugeno การระบุระบบแบบฟัซซี่ของระบบและการประยุกต์ใช้กับการสร้างแบบจำลองและการควบคุมธุรกรรมของ IEEE เกี่ยวกับระบบมนุษย์และไซเบอร์เนติกส์เล่ม 29 Takagi T. and Sugeno, M. การระบุระบบแบบฟัซซี่และการประยุกต์ใช้ในการสร้างแบบจำลองและการควบคุมธุรกรรมของ IEEE เกี่ยวกับระบบมนุษย์และไซเบอร์เนติกส์ 15 (1985) 116-132 30 Wilson, R. และ Sharda, R. การพยากรณ์ภาวะล้มละลายโดยใช้เครือข่ายประสาทเทียม, ระบบสนับสนุนการตัดสินใจ, 11 (1994) 545-557 31 Yeh, S. Landsman, W. R. Miller, B. L. Peasnell, K. V. (2011) นักลงทุนเข้าใจเรื่องส่วนเกินที่สกปรกจริงๆ การตรวจทานบัญชี 86 (1), 237-258 32 Yoon, Y. Guimaraes, T. and Swales, G. การบูรณาการเครือข่ายประสาทกับระบบผู้เชี่ยวชาญที่ใช้กฎ, ระบบสนับสนุนการตัดสินใจ, 11 (1994) 497-507 33 Zadeh, L. ชุด Fuzzy ข้อมูลและการควบคุมปริมาตร 8, pp 338-353, 1965. 34 Zadeh, L. A. ชุดฟัซซี่การควบคุมข้อมูล 8 (1965) 338-353