الانتقال المتوسط وراثية خوارزمية

باستخدام الخوارزميات الجينية للتنبؤ بالأسواق المالية. اقترح بيرتون في كتابه "المشي العشوائي" وول ستريت، 1973 أن القرد المعصوب العينين الذي يلقي رمي السهام في الصفحات المالية للصحيفة يمكن أن يختار محفظة من شأنها أن تفعل فقط وكذلك واحدة مختارة بعناية من قبل الخبراء في حين أن التطور قد جعل الإنسان لا أكثر ذكاء في انتقاء الأسهم، نظرية تشارلز داروين لها فعالية كبيرة عندما تطبق بشكل مباشر لمساعدتك في اختيار الأسهم، تحقق من كيفية اختيار الأسهم. ما هي الخوارزميات الجينية الخوارزميات. غاس هي حل المشاكل الأساليب أو الاستدلال الذي يحاكي عملية التطور الطبيعي على عكس الشبكات العصبية الاصطناعية، مصممة لتعمل مثل الخلايا العصبية في الدماغ، وتستخدم هذه الخوارزميات مفاهيم الانتقاء الطبيعي لتحديد أفضل حل لمشكلة ونتيجة لذلك، وتستخدم غاس عادة كما الأمثل التي ضبط المعلمات لتقليل أو تعظيم بعض ردود الفعل قياس، والتي يمكن بعد ذلك استخدامها بشكل مستقل أو في بناء أن في الأسواق المالية تستخدم الخوارزميات الجينية الأكثر شيوعا للعثور على أفضل قيم توليفة للمعلمات في قاعدة تداول، ويمكن أن تكون مبنية في نماذج آن مصممة لاختيار الأسهم وتحديد الصفقات وقد أظهرت العديد من الدراسات أن هذه الأساليب يمكن أن تكون فعالة ، بما في ذلك الخوارزميات الجينية تكوين سفر تقييم 2004 من قبل راما، وتطبيقات الخوارزميات الجينية في بيانات سوق الأسهم تحسين التعدين 2004 بواسطة لين، تساو، وانغ، تشانغ لمعرفة المزيد عن آن، انظر الشبكات العصبية التنبؤ الأرباح. كيف الخوارزميات الجينية العمل. يتم إنشاء خوارزميات جينية رياضيا باستخدام النواقل، وهي كميات لها اتجاه وحجم. وتتمثل معلمات كل قاعدة تجارية مع متجه أحادي البعد يمكن اعتباره كروموسوم في المصطلحات الوراثية وفي الوقت نفسه، يمكن أن تكون القيم المستخدمة في كل معلمة الفكر في الجينات، والتي يتم تعديلها بعد ذلك باستخدام الانتقاء الطبيعي. على سبيل المثال، قد تنطوي على قاعدة التداول استخدام سنويا مثل المتوسط ​​المتحرك المتوسط ​​التقارب-الاختلاف ماكد المتوسط ​​المتحرك الأسي إما وستوشاستيك ومن ثم تقوم الخوارزمية الجينية بإدخال القيم في هذه المعلمات بهدف تحقيق أقصى قدر من الأرباح الصافية مع مرور الوقت، يتم إدخال تغييرات صغيرة وتلك التي تحدث تأثيرا مرغوبا يتم الاحتفاظ بها للفترة التالية جيل. هناك ثلاثة أنواع من العمليات الجينية التي يمكن بعد ذلك القيام بها. الكروسوفرز تمثل التكاثر و كروس البيولوجية ينظر في البيولوجيا، حيث يأخذ الطفل على خصائص معينة من والديه. الطعمات تمثل طفرة بيولوجية وتستخدم للحفاظ على التنوع الجيني من واحد جيل من السكان إلى التالي من خلال إدخال تغييرات صغيرة عشوائية. الاستنتاجات هي المرحلة التي يتم اختيار الجينوم الفردية من السكان لتربية في وقت لاحق إعادة التركيب أو كروسوفر. ثم يتم استخدام هذه ثلاث شركات في عملية من خمس خطوات. تهيئة السكان العشوائية ، حيث يكون كل كروموسوم n - length، مع n عدد المعلمات وهذا هو، يتم إنشاء عدد عشوائي من المعلمات مع العناصر n كل. حدد الصبغيات، أو المعلمات، التي تزيد من النتائج المرغوبة يفترض صافي الربح. تطبيق طفرة أو مشغلي كروس إلى الآباء المختارين وتوليد نسل. الاستعداد النسل والتيار السكان لتشكيل السكان الجدد مع المشغل اختيار. تكرار الخطوات من اثنين إلى أربعة. على مر الزمن، وهذه العملية يؤدي إلى الكروموسومات مواتية على نحو متزايد أو، المعلمات لاستخدامها في قاعدة التداول ثم يتم إنهاء العملية عند الوفاء بمعايير التوقف، والتي يمكن أن تشمل تشغيل الوقت، واللياقة البدنية، وعدد الأجيال أو غيرها من المعايير لمزيد من المعلومات عن ماسد، وقراءة تجارة والاختلاف ماسد. استخدام الخوارزميات الجينية في Trading. While يتم استخدام الخوارزميات الجينية في المقام الأول من قبل التجار الكمي المؤسسي التجار الفردية يمكن تسخير قوة الخوارزميات الجينية - دون درجة في الرياضيات المتقدمة - باستخدام عدة حزم البرمجيات في السوق وتتراوح هذه الحلول من ستان حزم البرمجيات دالون الموجهة نحو الأسواق المالية إلى ميكروسوفت إكسيل الإضافات التي يمكن أن تسهل المزيد من التدريب العملي على التحليل. عند استخدام هذه التطبيقات، يمكن للتجار تعريف مجموعة من المعلمات التي يتم بعد ذلك الأمثل باستخدام خوارزمية وراثية ومجموعة من البيانات التاريخية بعض يمكن للتطبيقات تحسين المعلمات التي يتم استخدامها والقيم بالنسبة لها، في حين تركز الأخرى بشكل أساسي على مجرد تحسين القيم لمجموعة معينة من المعلمات لمعرفة المزيد حول هذه الاستراتيجيات المستمدة من البرنامج، راجع قوة برنامج الصفقات. نصائح التحسين الهامة والخدع. Curve تركيب أكثر من المناسب، وتصميم نظام التداول حول البيانات التاريخية بدلا من تحديد السلوك يمكن تكرارها، يمثل خطرا محتملا للتجار باستخدام الخوارزميات الجينية أي نظام التداول باستخدام غاس يجب أن يتم اختبارها على الورق قبل الاستخدام المباشر. اختيار المعلمات هو جزء مهم من العملية، ويجب على التجار البحث عن المعلمات التي ترتبط بالتغيرات في سعر معين الأمن على سبيل المثال، جرب مؤشرات مختلفة ومعرفة ما إذا كان أي يبدو يبدو مرتبطا مع المنعطفات الرئيسية في السوق. الخوارزميات الجينية هي طرق فريدة لحل المشاكل المعقدة عن طريق تسخير قوة الطبيعة من خلال تطبيق هذه الأساليب للتنبؤ بأسعار الأوراق المالية، يمكن للمتداولين تحسين قواعد التداول من خلال تحديد أفضل القيم للاستخدام لكل معلمة لأمن معين ومع ذلك، فإن هذه الخوارزميات ليست الكأس المقدسة، ويجب أن يكون التجار حذرين لاختيار المعلمات المناسبة وليس منحنى تناسب أكثر ملاءمة لقراءة المزيد عن السوق، وتحقق من الاستماع إلى إن سعر الفائدة الذي تقدم به مؤسسة الإيداع الأموال في الاحتياطي الاتحادي إلى مؤسسة إيداع أخرى (1). مقياس إحصائي لتشتت العائدات لمؤشر أمني أو سوق معين يمكن قياس التقلب إما. قانون الكونجرس الأمريكي الذي أقر في عام 1933 باعتباره القانون المصرفي، الذي يحظر على البنوك التجارية من المشاركة في الاستثمار. نونفارم الرواتب تشير s إلى أي وظيفة خارج المزارع والأسر الخاصة والقطاع غير الربحي مكتب الولايات المتحدة للعمل. اختصار العملة أو رمز العملة للروبية الهندية إنر، عملة الهند الروبية تتكون من 1. محاولة الأولي على المفلس أصول الشركة من المشترين المهتمين الذين اختارتهم الشركة المفلسة من مجموعة من مقدمي العطاءات. خوارزمية جينيتيك في الاتجاه تريند التالية. يجب أن يكون المخزون استراتيجية الفيسبوك الأسي المتحرك المتوسط ​​باراما 10 بارامب 45. قواعد الاستراتيجية بسيطة، إذا كان المتوسط ​​المتحرك طول باراما تتحرك متوسط ​​طول بارامب ثم يذهب طويلا، والعكس بالعكس. اللياقة البدنية. يتم تصنيف الجينات كجينات جيدة أو سيئة باستخدام وظيفة اللياقة البدنية نجاح استراتيجية التداول الجيني يعتمد اعتمادا كبيرا على اختيارك من وظيفة اللياقة البدنية وعما إذا كان من المنطقي مع الاستراتيجيات التي تنوي استخدامها سوف تتداول كل من الاستراتيجيات التي حددتها الجينات النشطة ومن ثم ترتيبها حسب لياقتهم البدنية وهناك نقطة انطلاق جيدة لاستخدام نسبة حادة كما ث وظيفة اللياقة البدنية e. You تحتاج إلى توخي الحذر من تطبيق وظيفة اللياقة البدنية إلى بيانات ذات دلالة إحصائية على سبيل المثال إذا كنت تستخدم استراتيجية عائد المتوسطة التي قد تتداول مرة واحدة في الشهر أو ما من أي وقت مضى نافذة إعادة التدريب الخاص بك هو، ثم يتم تحديد لياقتك من قبل 1 أو 2 داتابوانتس وهذا سيؤدي إلى التحسين الجيني الفقراء في بلدي رمز أنا في علق على متوسط ​​اختبار استراتيجية انعكاس لنفسك عادة ما يحدث هو نسبة شارب الخاص بك من 2 داتابوانتس عالية جدا جدا مجرد وصولا الى الحظ عليك ثم وضع علامة على هذا كجين جيد و التجارة في الشهر المقبل مع نتائج فظيعة. نمو الجينات. مع الجينات الوراثية تحتاج إلى تولد الجينات، لبقية هذا المنصب سوف نفترض كنت تربية مرة واحدة في الشهر خلال تربية تأخذ كل من الجينات في تجمع الجينات الخاص بك و وترتيبها وفقا لدالة اللياقة البدنية ثم يمكنك تحديد الجينات N العليا وتولد لهم تجاهل كل الجينات الأخرى التي تعيد عدم الاستخدام. وتتكون التربية من جزأين. التهجين اتخاذ الجين وقطع قطعة من ط ر، يمكنك استخدام أي مولد رقم عشوائي تريد تحديد مواقع قطع، مبادلة هذه القطعة مع قطعة المقابلة من جين آخر. الجين القديم 00 1100 10 و 11 1001 10 الأحمر هو اختيار عشوائيا بت لقطع جديد الجين 00 1001 10 و 11 1100 10.You القيام بذلك لكل زوج ممكن من الجينات في أعلى قائمة N. Mutation بعد التهجين تذهب من خلال كل ما تبذلونه من الجينات وبشكل عشوائي الوجه بت مع احتمال ثابت الطفرة يمنع استراتيجيتك من الحصول على تأمين في كل تقلص الجين بول. للحصول على شرح أكثر تفصيلا مع الرسوم البيانية يرجى الاطلاع. انتقل إلى أسفل إلى الخوارزميات الجينية وتطبيقه في Trading. Annualized شارب نسبة رف 0 1 15. المشاكل الرياضية في الهندسة. تحريك متوسط ​​قواعد التداول المتحرك في سوق العقود الآجلة للنفط مع الخوارزميات الجينية 1 كلية العلوم الإنسانية والإدارة الاقتصادية، جامعة الصين للعلوم الجيولوجية ، بكين 100083، الصين 2 مختبر رئيسي لتقييم القدرة على تحمل الموارد والبيئة، وزارة الأراضي والموارد، بكين 100083، الصين 3 مختبر الموارد والإدارة البيئية، جامعة الصين للعلوم الجيولوجية، بكين 100083، الصين 4 معهد الصين الاقتصادية الإصلاح والتنمية، جامعة الصين، بكين 100872، الصين. استدعت 19 فبراير 2014 المنقحة 4 مايو 2014 قبلت 7 مايو 2014 نشرت 26 مايو 2014.Academic المحرر وي تشن. حقوق الطبع والنشر 2014 ليجون وانغ وآخرون هذا هو مقالة الوصول المفتوح وزعت تحت ترخيص الترخيص المشاع الإبداعي الذي يسمح بالاستخدام غير المقيد، والتوزيع، والاستنساخ في أي وسيط، بشرط أن يكون أوري ويشار إلى العمل الجيني بشكل صحيح. سوق العقود الآجلة للنفط الخام يلعب دورا حاسما في تمويل الطاقة للحصول على مزيد من العائد الاستثماري والعلماء والتجار استخدام المؤشرات الفنية عند اختيار استراتيجيات التداول في سوق العقود الآجلة للنفط في هذه الورقة، استخدم الباحثون المتوسط ​​المتحرك لأسعار النفط العقود الآجلة مع الخوارزميات الجينية لتوليد قواعد تداول مربحة قمنا بتعريف الأفراد بمجموعات مختلفة من أطوال الفترة وطرق الحساب كمتوسط ​​متوسط ​​قواعد التداول والخوارزميات الجينية المستخدمة للبحث عن الأطوال المناسبة لفترات المتوسط ​​المتحرك وطرق الحساب المناسبة استخدم المؤلفون الخام اليومي أسعار النفط لعقود نيمكس الآجلة في الفترة من 1983 إلى 2013 لتقييم واختيار قواعد المتوسط ​​المتحرك قمنا بمقارنة قواعد التداول المتولدة مع استراتيجية الشراء والاستحواذ ب لتحديد ما إذا كان يمكن أن تتحرك قواعد التداول المتوسط ​​المتحصل على عوائد فائضة في سوق العقود الآجلة للنفط الخام من خلال 420 التجارب، ونحن نحدد أن قواعد التداول ولدت تساعد التجار على تحقيق الأرباح عندما تكون هناك تقلبات واضحة في الأسعار يمكن أن تحقق قواعد التداول المتولدة عوائد فائضة عندما يسقط السعر ويحدث تقلبات كبيرة، في حين أن استراتيجية ب تكون أفضل عندما يزيد السعر أو يكون سلسا مع تقلبات قليلة يمكن أن تساعد النتائج التجار على اختيار استراتيجيات أفضل في ظروف مختلفة .1 الطاقة الحيوية حيوية للتنمية االقتصادية تستهلك األنشطة المنزلية واإلنتاج الصناعي والبنية التحتية استهالك الطاقة بشكل مباشر أو غير مباشر، بغض النظر عن البلدان النامية أو المتقدمة 1 القضايا المتعلقة بتجارة الطاقة 2 وكفاءة الطاقة 3 وسياسة الطاقة 4 6، واستهلاك الطاقة 7، وتمويل الطاقة 8 تلقت أهمية أكبر في السنوات الأخيرة سوق العقود الآجلة للنفط الخام هو جزء حاسم من تمويل الطاقة في نطاق سوق الطاقة العالمي التجار والباحثين استخدام أدوات التحليل الفني لتحديد قواعد التداول المكتسبة في الأسواق المالية وبالتالي ، مؤشرات المتوسط ​​المتحرك هي كو ممونلي المستخدمة في التحليل الفني لتحقيق عوائد أكبر تحاول هذه الورقة الإجابة عما إذا كان في الواقع يمكن للمستثمر استخدام المتوسط ​​المتحرك قواعد التداول الفني للحصول على عوائد فائضة من خلال البحث عن مربحة متوسط ​​قواعد التداول المتحرك مع الخوارزميات الجينية في سوق العقود الآجلة للنفط الخام. جينيتيك وتستخدم الخوارزميات على نطاق واسع في العلوم الاجتماعية 9 10، وخاصة في بعض القضايا المعقدة حيث يصعب إجراء حسابات دقيقة وهو اتجاه لتطبيق الأساليب المادية أو الرياضية في الاقتصاد والطاقة والموارد 11 16 وقد طبق الباحثون الخوارزميات الجينية للتنبؤ الفحم إنتاج التلوث البيئي 17، واختيار الداخلي والسلوك اختيار السوق في السوق 18، توقعات الطلب على النفط الخام 19، والتقليل من تكاليف الوقود والانبعاثات الغازية لتوليد الطاقة الكهربائية 20، ونظام تداول العملات الأجنبية 21 وفيما يتعلق المالية قضايا التحليل الفني، والعلماء استخدام الخوارزميات الجينية للبحث يكون قواعد التداول العادل والمؤشرات الفنية المربحة عند اتخاذ القرارات الاستثمارية 22 25 يتم الجمع بين الخوارزميات الجينية مع أدوات أخرى مثل النموذج القائم على عامل 26، نظرية الرياضيات غامض 27، والشبكات العصبية 28 وهناك أيضا بعض الدراسات التي استخدمت الخوارزميات الجينية للتنبؤ واتجاهات الأسعار في السوق المالية 29 30 أو سعر الصرف في سوق الصرف الأجنبي 31 نظرا لوجود عدد كبير من قواعد التداول الفنية والمؤشرات الفنية المتاحة في سوق العقود الآجلة للنفط الخام، فإنه من غير العملي استخدام حسابات إرغوديك أو بعض أخرى طرق حساب دقيقة لذلك، فإن استخدام الخوارزميات الجينية هو وسيلة مجدية لحل هذه المشكلة. تم استخدام مؤشرات المتوسط ​​المتحرك على نطاق واسع في دراسات الأسهم والأسواق الآجلة 32 37 يتم مقارنة متوسطين متحركين من أطوال مختلفة للتنبؤ بالاتجاهات السعرية في الأسواق المختلفة فإن المتوسطات المتحركة أكثر حساسية لتغيرات الأسعار من تلك الطويلة إذا كان متوسط ​​السعر المتحرك القصير مرتفع من متوسط ​​سعر متحرك لفترة طويلة، فإن المتداولين يعتقدون أن السعر سيرتفع ويأخذ مناصب طويلة عندما ينخفض ​​السعر المتوسط ​​المتحرك القصير ويتعامل مع السعر الطويل، سيتم اتخاذ أنشطة تجارية عكسية 38 استخدم ألين و كارجالينن أك 39 الخوارزميات الجينية المستخدمة تحديد قواعد التداول الفنية في أسواق الأوراق المالية مع الأسعار اليومية ل 500 ل. س تم استخدام سعر المتوسط ​​المتحرك كأحد المؤشرات العديدة للقواعد الفنية وتستخدم مؤشرات أخرى مثل القيمة المتوسطة والقيمة القصوى أيضا عند اتخاذ القرارات الاستثمارية وانغ أجرى 40 بحثا مماثلا في الأسواق الفورية والعقود الآجلة باستخدام البرمجة الجينية، في حين أن طريقة 41 تطبيق أك ل S للأسهم مختلفة لتحديد أهمية حجم وليام، ومقارنة مختلف القواعد الفنية والشبكة العصبية الاصطناعية قواعد آن بشأن سوق العقود الآجلة للنفط، إن هو أداة جيدة، مما يلقي ظلالا من الشك على كفاءة سوق النفط 38 كل هذه الدراسات تجمع بين المتوسط ​​المتحرك الهندي كاتورس مع مؤشرات أخرى لتوليد قواعد التداول ومع ذلك، في هذه الورقة، نستخدم المتوسطات المتحركة لتوليد قواعد التداول، والتي قد تكون نهج بسيط وفعال. أداء قاعدة التداول المتوسط ​​المتحرك يتأثر بشكل ملحوظ بأطوال الفترة 42 لذلك، يعتبر إيجاد أطوال مثلى للفترتين أعلاه مسألة مركزية في أدبيات التحليل الفني وقد تمت تجربة مجموعة متنوعة من الأطوال في المشاريع البحثية القائمة 43 48 في معظم البحوث، فإن معظم قواعد المتوسط ​​المتحرك تستخدم أطوال فترة متوسط ​​ثابتة ثابتة وحساب متوسط ​​متحرك وحيد ومع ذلك، فمن الأفضل استخدام أطوال متغيرة لفترات استثمارية مختلفة 49 50 وهناك أنواع مختلفة من المتوسط ​​المتحرك طريقة الحساب التي يمكن استخدامها في التحليل الفني. في هذه الورقة، وبالنظر إلى أن الطول الأمثل للمتوسط ​​المتحرك فترات و أفضل طريقة حساب قد تختلف من مناسبة إلى أخرى نستخدم الخوارزميات الجينية لتحديد لين المناسب غث لفترة المتوسط ​​المتحرك والطريقة المناسبة يتم النظر في ستة أساليب حساب متوسط ​​متحرك في هذه الورقة ويمكن للخوارزميات الجينية أن تساعدنا في معرفة أفضل الطرق وأطوال الفترة المناسبة لظروف مختلفة وبناء عليه، فإننا قادرون على تقديم المتوسط ​​المتحرك الأنسب قواعد التداول للمتداولين في سوق العقود الآجلة للنفط الخام .2 البيانات والطريقة. نستخدم الأسعار اليومية للعقد المستقبلي للنفط الخام 1 للفترة من 1983 إلى 2013 من بورصة نيويورك للتبادل التجاري مصدر البيانات فوت s1 نختار 20 مجموعة من بيانات العينة، كل منها يحتوي على 1000 سعر يومي في 1000 الأسعار اليومية، وتستخدم سلسلة السعر 500 يوم لتدريب قواعد التداول في كل جيل وتستخدم 200 أسعار التالية لاختيار أفضل قاعدة التداول ولدت من جميع الأجيال، وآخر 300 تستخدم الأسعار اليومية لتحديد ما إذا كانت القاعدة التي تم إنشاؤها يمكن الحصول على عوائد فائضة تبدأ المجموعة الأولى في عام 1985، تنتهي آخر مجموعة في عام 2013، وكل سعر 1000 يوم إرييس مع خطوة من 300 يتم اختيار يجب علينا أيضا أن تشمل 500 أسعار أكثر اليومية قبل كل سلسلة عينة لحساب أسعار التحرك لفترة العينة وهكذا، كل تجربة مستقلة يتطلب سلسلة السعر 1500 يوم البيانات التي نستخدمها وترد في الشكل 1 . الشكل 1 اختيار البيانات. متوسط ​​قواعد التداول يسهل عملية اتخاذ القرار للمتداولين من خلال مقارنة متوسطين متحركين لفترات مختلفة وبهذه الطريقة يمكن للمتداولين التنبؤ بالاتجاه السعري من خلال تحليل تقلبات أسعار المتوسط ​​المتحرك هناك ستة مؤشرات متوسط ​​متحرك عادة المستخدمة في التحليل الفني المتوسط ​​المتحرك البسيط سما المتوسط ​​المتحرك المرجح وما المتوسط ​​المتحرك الأسي المتوسط ​​المتوسط ​​المتحرك المتوسط ​​المتحرك المتوسط ​​المتوسط ​​المتحرك المتوسط ​​المتحرك تبما والمتوسط ​​المتحرك الثلاثي تما يتم عرض طرق حساب مؤشرات المتوسط ​​المتحرك في الجدول 1. الجدول 1 تفاصيل مؤشرات المتوسط ​​المتحرك الستة. لاستخدام قاعدة تداول متوسط ​​متحرك في سوق العقود الآجلة للنفط، على الأقل ثلاثة فقرة يجب أن يتم تعيين عدادات لوضع استراتيجية التداول وتشمل هذه المعلمات أطوال فترتين متوسطتين متحركتين واختيار طريقة المتوسط ​​المتحرك من الأنواع الستة المذكورة أعلاه وقد استخدم باحثون آخرون أطوال مختلفة من فترات العينة في دراستهم في هذه الورقة، الخوارزميات الجينية لتحديد أطوال مناسبة من فترة المتوسط ​​المتحرك وفقا للأدبيات الموجودة، فإن الفترة الطويلة عموما ما بين 20 و 200 يوما قليلة جدا من الدراسات تستخدم فترات أطول من 200 يوما 38 39، والفترة القصيرة عموما لا تتجاوز 60 يوما. إذا كان متوسط ​​السعر الطويل أقل من السعر المتوسط ​​القصير، فإن المتداول سوف يتخذ موقفا طويلا ويترتب على ذلك أنه في الحالات المعاكسة، سيتم اعتماد إستراتيجيات متعارضة مع ملاحظة تقلبات الأسعار في سوق العقود الآجلة، مع اتخاذ موقف طويل عند متوسط ​​السعر القصير يتجاوز متوسط ​​السعر الطويل من خلال انحراف معياري واحد على الأقل في الفترة القصيرة قد يكون قاعدة جيدة على العكس من ذلك، س تكون قاعدة جيدة لذلك، قمنا بتصميم القاعدتين في قواعد التداول الأولية لدينا يتم عرض طرق الحساب المفصل للمتوسطات المتحركة الستة في الشكل 2.Figure 2 هيكل قواعد التداول. يستخدم سلسلة 17-ثنائي لتمثيل التداول القاعدة التي تمثل فيها سلسلة فرعية ثنائية السبعة MN. is طول الفترة الطويلة و. س طول الفترة القصيرة عبارة عن سلسلة فرعية ثنائية ستة تنتمي إلى المدى من 1 إلى 64 تمثل ثلاثة خطوط فرعية ثنائية طريقة حساب متوسط ​​الأسعار في هذه الورقة، ومجموعة من إلى 5 إلى 132 آخر ثنائي يحدد ما إذا كان لتغيير استراتيجيات التداول فقط عندما يكون هناك أكثر من واحد الفرق الانحراف المعياري بين اثنين من متوسط ​​أسعار متحركة ويرد هيكل قواعد التداول في الشكل 2 اللياقة البدنية للتداول يتم احتساب القاعدة وفقا للأرباح التي يمكن أن تجعل في سوق العقود الآجلة للنفط الخام لمقارنة قواعد التداول ولدت مع ب شراء وعقد، مع موقف طويل طوال استراتيجية الفترة، والمؤيدة تناسب قاعدة ولدت هو معدل العائد الزائد الذي يتجاوز استراتيجية BH. The طريقة حساب المراجع معدل العائد أك طريقة s الفرق هو أننا نسمح للتاجر لعقد موقف لفترة طويلة، ونحن لا حساب والعودة كل يوم للنظر. هو معدل العائد الزائد لاستراتيجية موقف طويل، وهذا هو، ومجموع العائد من موقف طويل وموقف قصير رف هو عودة خالية من المخاطر عند الخروج من السوق، و رب هو معدل العائد من ب في فترة العينة آرإم هي نسبة هامش سوق العقود الآجلة تشير المعلمة إلى معدل تكلفة المعاملات في اتجاه واحد وتمثل سعر الافتتاح وسعر الإغلاق لموقف طويل أو قصير، على التوالي هو سعر اليوم الأول في كل فترة وهي سعر آخر يوم ونحن نتجاهل مقدار التغيير في الهامش اليومي والموعد النهائي للعقد، يمكن للتاجر الحفاظ على استراتيجيته من خلال اتخاذ مواقف جديدة عندما يقترب العقد من تاريخ الإغلاق. قيمة اللياقة البدنية هيعدد بين 0 و 2 محسوبة من خلال تحويل غير الخطية وفقا ل را يتم تنفيذ حساب قيمة اللياقة البدنية، واختيار، كروس، وتحور الأفراد باستخدام أدوات غا من شيفيلد في منصة ماتلاب في كل جيل، لتجنب الإفراط في تجهيز البيانات التدريب، سيتم اختبار أفضل قاعدة تداول في كل جيل في فترة عينة اختيار سلسلة السعر 200 يوم فقط عندما تكون قيمة اللياقة البدنية أعلى من أفضل قيمة في الجيل الماضي أو عندما تكون القيمتين هي نفسها تقريبا 05 05 يمكن يتم وضع علامة تجارية على أنها الأفضل حتى الآن في كل جيل، سيتم اختيار 90 في المئة من السكان لتشكيل جيل جديد، في حين أن 10 في المئة أخرى سيتم إنشاؤها عشوائيا وفقا لذلك، وتطور الأفراد باستخدام الخوارزميات الجينية في تجربة مستقلة واحدة يمكن تلخيصها على النحو التالي. الخطوة 1 تهيئة السكان بشكل عشوائي إنشاء عدد السكان الأولي من 20 متوسط ​​قواعد التداول المتحرك. الخطوة 2 تقييم الأفراد T يتم احتساب اللياقة البدنية لكل فرد في خطوة التقييم يحسب البرنامج المتوسط ​​المتوسط ​​للأسعار في مقياسين مختلفين خلال فترة التدريب باستخدام البيانات المساعدة ويحدد المواقف في كل يوم تداول ويحسب بعد ذلك معدل العائد الزائد لكل فرد وأخيرا، يتم احتساب قيمة اللياقة البدنية لكل فرد وفقا لمعدل العائد الزائد. الخطوة 3 تذكر أفضل قاعدة التداول حدد القاعدة مع أعلى قيمة اللياقة البدنية وتقييمه لفترة الاختيار للحصول على معدل العائد لها إذا كان أفضل من أو لا أدنى إلى أفضل قاعدة الحالية، فإنه سيتم وضع علامة على أنها أفضل قاعدة التداول إذا كان معدل عودته أقل من أو أقل من 0 05 أعلى من المعدل الحالي، ونحن نحتفظ القاعدة الحالية باعتبارها أفضل one. Step 4 توليد سكان جديد اختيار 18 الأفراد وفقا لقيم اللياقة البدنية، ويمكن اختيار نفس الشخص أكثر من مرة لذلك، إنشاء عشوائيا 2 قواعد التداول إضافية مع احتمال س f 0 7، إجراء عملية إعادة التركيب لتوليد عدد سكان جديد وبالتالي، سيتم تحوير جميع قواعد إعادة التركيب مع احتمال 0 05.Step 5 العودة إلى الخطوة 2 وتكرار 50 مرة. خطوة 6 اختبار أفضل قاعدة التداول اختبار أفضل كما هو محدد من قبل البرنامج أعلاه سيولد هذا معدل العائد وبيان ما إذا كانت الخوارزميات الجينية يمكن أن تساعد التجار تحقيق عوائد فائضة خلال هذه الفترة عينة. لأننا في هذه الورقة، لم ننظر في كمية الأصول، ونحن نفترض نسبة الهامش أن يكون 0 05 في الواقع، وبما أن المعلمة ليس لها تأثير كبير على نتائج التجربة لدينا، يتم زيادة معدل العائد عشرين مرة مع 20 التجارب في كل فترة، يتم إجراء 420 تجارب مستقلة لتحديد متوسط ​​قواعد التداول المتوسط ​​مفيدة في العقود الآجلة للنفط الخام السوق إن الأسعار التي استخدمناها في الفترات ال 21 مبينة في الشكل 3.Figure 3 نموذج البيانات. بناء على الدراسات السابقة 39 40 51 وعلى قرار اختيار قيمة وسيطة لهذا الدرس y، يتم تعيين معدل تكلفة المعاملة في 0 1 للتجارب 420 معدل العائد الخالي من المخاطر هو 2، والذي يستند في المقام الأول على سعر السندات الخزينة قصيرة الأجل 41. في التجارب 420، 226 كسب الأرباح مع معدل العائد المتوسط من 1 446، يستنتج أن الخوارزميات الجينية يمكن أن تسهل التجار للحصول على عوائد في سوق العقود الآجلة للنفط الخام ومع ذلك، فإن متوسط ​​قواعد التداول المتحركة التي تحددها الخوارزميات الجينية لا يؤدي إلى عوائد فائضة حيث لا توجد سوى 8 فترات أدت فيها قواعد التداول المتولدة في المتداولين الذين يتلقون عوائد فائضة بالنظر إلى أن أسعار العقود الآجلة للنفط الخام زادت عدة مرات خلال فترة العينة، فإننا نؤكد أيضا أن الخوارزميات الجينية هي مفيدة في الاستثمارات. لتحقيق فهم أفضل، ونحن تقسيم 21 فترات إلى 4 فئات وفقا لنتائج انظر العمود الأخير من الجدول 2.Table 2 نتائج التجربة. الفئة 1 فترات 2 و 3 و 9 في هذه الفترات، قواعد التداول المتولدة لا تساعد التجار على الحصول على عوائد فحسب، بل تساعد أيضا من أجل تحقيق عوائد زائدة ولدت قواعد التداول توليد المزيد من الأرباح من استراتيجية ب في الفترات 3 و 9 في الفترة 2، استراتيجية ب تفقد المال، في حين أن قواعد التداول ولدت، كما تحددها الخوارزميات الجينية، يؤدي إلى أرباح وهكذا، ولدت قواعد التداول هي أعلى بكثير من استراتيجية ب في هذه الفترة وهناك سمة مشتركة من هذه الفترات الثلاث في الفئة 1 هو أن أسعار النفط الخام انخفضت خلال فترة الاختبار و شهدت تقلبات كبيرة. الفئة 2 فترات 5 و 8 و 12 و 16 و 18 فشلت قواعد التداول المتوسط ​​المتحرك في توليد الأرباح خلال هذه الفترات الخمس ومع ذلك، فإن القواعد التي تم إنشاؤها أفضل من استراتيجية ب، حيث أنها خفضت بشكل ملحوظ الخسائر في هذه الفترات، انخفضت الأسعار بشكل سلس، حيث شهدت بعض التقلبات الصغيرة خلال العملية. الفئة 3 الفترات 1 و 6 و 7 و 10 و 11 و 14 و 15 و 17 في هذه الفترات الثماني لبيانات العينات، تساعد الخوارزميات الجينية التجار على تحديد قواعد تداول متوسط ​​الحركة المناسبة كيف إر، فشل التجار في الحصول على عوائد فائضة في حين أن الأسعار تزداد باطراد في هذه الفترات، وهناك أيضا بعض التقلبات الطفيفة، مما يسبب الخوارزميات الجينية لتكون أقل شأنا من استراتيجية ب في هذه الفترات. تصنيف 4 فترات 4 و 13 و 19 و 20 ، و 21 قواعد التداول الخوارزمية الجينية تدل على ضعف الأداء في هذه الفترات الخمس في الفترة 21، استراتيجية ب ينتج عائدات سلبية قواعدنا التجارة الجينية تسفر عن خسائر أكثر خطورة وتعتبر استراتيجية ب متفوقة على قواعد التداول ولدت في الفترات الأربع الأخرى كما (ب) على الرغم من عدم وجود تغيرات كبيرة في مستوى الأسعار في هذه الفترات، فإن الأسعار في دول متقلبة خلال الفترات الخمس. إن التغيرات الطفيفة في الأسعار مع عدم وجود اتجاهات واضحة تجعل قواعد التداول المتولدة عاجزة عن التنبؤ بتغيرات الأسعار وتوفير العوائد. نستخدم الخوارزميات الجينية للبحث في قواعد التداول المتوسط ​​المتحرك الجيد للمتداولين في سوق النفط الخام الجدول 3 الذي يظهر أفيرا عدد جي ولكل فترة، يشير إلى أن قيمة الفترة الطويلة لها علاقة وثيقة مع تقلب الأسعار في فترة العينة يتم تعيين كبير في فترات مع تقلبات كبيرة ويتم اختيار صغيرة للفترات التي يكون السعر نسبيا مستقر. تابل 3 متوسط ​​قيمة و في كل فترة. توزيعها هو مبين في الشكل 4 قيمة الاحتمال صغيرة جدا ولا تتبع التوزيع الطبيعي يعرض الشكل نموذجية ذيل الدهون مميزة مع التفرطح من 2 36 مقارنة مع التوزيع الطبيعي، هناك المزيد من القيم الموجودة في ذيول التوزيع في نتائجنا فقط في نصف التجارب 420، ما بين 70 يوما و 130 يوما القيم لامركزية، ونحن نعتقد أنه أكثر علمية لاختيار أفضل أطوال من وفترتين باستخدام عملية التدريب التي استخدمناها في هذه الورقة في الاستثمار الفعلي. الترتيب 4 توزيع. من بين ستة أساليب الحساب المتوسط ​​المتوسط، وتستخدم آما و تما مور e في كثير من الأحيان من الأربعة الأخرى انظر الجدول 4، حيث أن أكثر من نصف قواعد التداول المتوسط ​​المتولد ولدت آما أو تما وهناك عدد صغير من قواعد التداول ولدت استخدام وما و إما، في حين تبما و سما، والتي من السهل لحساب، وكثيرا ما تستخدم في بعض الفترات مثل الفترات 1 و 2 و 3 و 12 و 19 و 21. الجدول 4 طرق حساب متوسط ​​السعر المتحرك في كل فترة. ويرتبط اختيار طريقة الحساب باتجاهات الأسعار وتقلبها ويبين الشكل 5 أن يستخدم تبما 31 مرة في 60 تجربة مستقلة في الفترات 2 و 3 و 9 الفئة 1 تختلف عن النسبة الإجمالية، تبما هي طريقة الحساب الأكثر شعبية عندما ينخفض ​​السعر خلال الفترة و شهدت تقلبات كبيرة أما هو الأسلوب الأكثر شعبية في الفئات الثلاث الأخرى إما لا تستخدم أبدا في الصنفين 1 و 4 ومع ذلك، فإنه يأخذ 24 نسبة في الفئة 2، أكثر من تما، سما، تبما، و وما نسب تما و سما لا توجد فروق ذات دلالة إحصائية في فئات مختلفة في الفئة 4، تتغير الأسعار بدون اتجاهات واضحة لا توجد طريقة واحدة لها ميزة واضحة على غيرها. الشكل 5 نسب الطرق في الفئات المختلفة. نتائج 20 تجربة في نفس الفترة تشير إلى الاتساق العالي على القيمة سد الجدول 5 عندما تتقلب الأسعار ، كما هو الحال في الفترات 1 و 2 و 7 و 8 و 13 و 19 و 20، ثم عدم فتح صفقات حتى يتجاوز متوسط ​​سعر واحد آخر عن طريق انحراف معياري واحد على الأقل هو الخيار الأفضل عندما يكون السعر مستقرا نسبيا، يجب أن يتم على الفور طالما اثنين من المتوسطات المتحركة عبر. تابل 5 عدد من قواعد التداول التي سد 1.4 مناقشة. هذا الورق يحاول توليد المتوسط ​​المتحرك قواعد التداول في سوق العقود الآجلة للنفط باستخدام خوارزميات وراثية مختلفة عن دراسات أخرى، ونحن نستخدم فقط المتوسطات المتحركة كمؤشرات فنية لتحديد قواعد التداول المتوسط ​​المتحرك المفيد، دون أي أدوات أو مؤشرات تحليل فني معقدة أخرى من السهل على المتداولين أن يتحولوا إلى قواعد تداول متوسطة وتعمل بشكل مباشر بغض النظر عن الوضع لتحديد أفضل قواعد التداول في سوق العقود الآجلة للنفط الخام، نستخدم الخوارزميات الجينية لتحديد جميع المعاملات في قواعد التداول المتوسط ​​المتحرك ديناميكيا بدلا من القيام بذلك بطريقة ثابتة. وفقا ل فإن حساباتنا الجينية باستخدام الخوارزميات الجينية لمعرفة أفضل أطوال الفترتين المتوسطتين المتحركتين تدعى لأن الأطوال المتولدة تختلف عن بعضها البعض في اتجاهات الأسعار المختلفة لا يمكن أن تتكيف قواعد التداول المتوسط ​​المتحرك الثابت مع أطوال الفترة الثابتة مع التقلبات المعقدة في السعر فترات مختلفة عملية التدريب، ومع ذلك، والتي تأخذ السمات الديناميكية لتقلبات الأسعار في الاعتبار، يمكن أن تساعد التجار في معرفة أطوال الأمثل للفترتين تتحرك من قاعدة التداول. من بين ستة أساليب المتوسط ​​المتحرك، و أما و تما هي الأكثر شعبية بين قواعد التداول ولدت كما هاتين الطريقتين لديها القدرة على التكيف مع اتجاهات الأسعار أما كا n change the weights of the current price according to the volatility in the last several days As the TMA is the average of the SMA, it more accurately reflects the price level However, the selection of best moving average calculation method is affected by price trends Traders can choose methods more scientifically according to the price trends and fluctuations Based on our experiment results, TPMA is an optimal choice when price experiences a decline process with significant fluctuations, and generating moving average trading rules are outstanding compared with BH strategy in these occasions Although EMA takes a very small proportion in the total 420 experiments, it is also an applicable method other than AMA when price falls smoothly. For the periods in which the price volatility is apparent, decisions will not be made until the difference between the two averages exceeds the standard deviation of the short sample prices, thereby reducing the transaction risk However, this method is n ot suitable for a period in which the price is relatively stable In these situations, hesitation may sometimes cause traders to miss possible profit opportunities. As a whole, generated moving average trading rules can help traders make profits in the long term However, genetic algorithms cannot guarantee access to additional revenue in every period as they are only useful in acquiring excess returns in special situations The generated moving average trading rules demonstrate outstanding performance when the crude oil futures price falls with significant fluctuations The BH strategy will lose on these occasions, while the generated trading rule can help traders foresee a decline in price and reduce losses Our trading rules also yield positive returns during the fluctuations by the timely changing of positions. When the price falls smoothly with few fluctuations in the process, generated trading rules can yield excess returns compared to the BH strategy Although genetic algorithms cannot help traders receive positive returns during these periods, the algorithms can help traders reduce loss by changing positions with the change of price trends When the price is stable or rising smoothly, the generated rules may generate returns However, they cannot generate more returns than the BH strategy Limited returns cannot afford the transaction costs When the price falls, the generated rules may be superior to the BH strategy Genetic algorithms can also help traders make profits in the process of price increases with small fluctuations In these periods, the BH strategy is better than generated trading rules because the transactions in the process generate transaction costs and may miss some profit opportunities Generated moving average trading rules have poor performance if there are no notable trends in the price change In these periods, moving average indicators cannot find profit opportunities because the volatility is too small The trends of price changes are delayed by the moving average method Therefore, when a decision is made, the price trend must also change, and as a result, there is no doubt that the trader will experience deficits. Using genetic algorithms, moving average trading rules do help traders to gain returns in the actual futures market We also identified the best lengths for the two periods with respect to moving average rules and recommend the moving average calculation method for the crude oil futures market Technical trading rules with only moving average indicators generated by genetic algorithms demonstrate no sufficient advantages compared to the BH strategy because the overall price increased during the 30-year period Nevertheless, generated moving trading rules are beneficial for traders under certain circumstances, especially when there are significant changes in prices. In this paper, we search best trading rules according to the return rate of each one without regard to asset conditions and open interest, which proves to be the greatest limitation of the study To improve the accuracy of the results, a simulation with actual assets is recommended Accordingly, we will undertake this endeavor in a subsequent research.5 Concluding Remarks. We conclude that the genetic algorithms identify better technical rules that allow traders to actualize profits from their investments While we have no evidence to demonstrate that generated trading rules result in greater returns than does the BH strategy, our conclusion is consistent with the efficient market hypothesis While generated trading rules facilitate traders in realizing excess returns with respect to their investing activities under specific circumstances, they cannot, at least by using moving average trading rules, ensure more long-term excess returns than the BH strategy With respect to the selection of two periods, finding out optimal lengths using genetic algorithms is helpful for making more profits Of the six moving average indicators, AMA and TMA are the most popular moving average calculation methods for the crude oil futures market in total, while TPMA is an outstanding method in some occasion When the crude oil prices demonstrate notable volatility, a trader is advised to wait until the difference of the two moving averages exceeds the standard deviation of the short period and vice versa. Based on the above analysis, it is better to use BH strategy when the price increases or is stable However, generated moving average trading rules are better than BH strategy when crude oil futures price decreases With respect to the moving average calculation method, it is advocated to use TPMA when price falls with significant fluctuations and AMA when price falls smoothly, although TPMA is not a popular method overall We propose variable moving average trading rules generated by training processes rather than static moving average trading rules in the crude oil futures markets. Conflict of Interests. The authors declare that there is no conflict of in terests regarding the publication of this paper. Authors Contribution. Model design was done by Haizhong An, Lijun Wang, and Xuan Huang, program development and experiments performance were done by Xiaojia Liu and Lijun Wang, data analysis was done by Haizhong An, Xiaohua Xia, and Xiaoqi Sun, paper composition was done by Lijun Wang, Xiaohua Xia, and Xiaojia Liu, and literature retrieval and manuscript editing were done by Xiaojia Liu, Xuan Huang, and Xiaoqi Sun. This research was partly supported by the NSFC China Grant no 71173199 and Humanities and the Social Sciences planning funds project under the Ministry of Education of the PRC Grant no 10YJA630001 The authors would like to acknowledge valuable suggestions from Wei Fang, Xiaoliang Jia, and Qier An. Z M Chen and G Q Chen, Demand-driven energy requirement of world economy 2007 a multi-region input-output network simulation, Communications in Nonlinear Science and Numerical Simulation vol 18, no 7, pp 1757 1774, 2013 View at Publisher View at Google Scholar. G Wu, L - C Liu, and Y - M Wei, Comparison of China s oil import risk results based on portfolio theory and a diversification index approach, Energy Policy vol 37, no 9, pp 3557 3565, 2009 View at Publisher View at Google Scholar View at Scopus. X H Xia, G T Huang, G Q Chen, B Zhang, Z M Chen, and Q Yang, Energy security, efficiency and carbon emission of Chinese industry, Energy Policy vol 39, no 6, pp 3520 3528, 2011 View at Publisher View at Google Scholar View at Scopus. X H Xia and G Q Chen, Energy abatement in Chinese industry cost evaluation of regulation strategies and allocation alternatives, Energy Policy vol 45, pp 449 458, 2012 View at Publisher View at Google Scholar. N Cui, Y Lei, and W Fang, Design and impact estimation of a reform program of China s tax and fee policies for low-grade oil and gas resources, Petroleum Science vol 8, no 4, pp 515 526, 2011 View at Publisher View at Google Scholar View at Scopus. Y L Lei, N Cui, and D Y Pan, Economic and s ocial effects analysis of mineral development in China and policy implications, Resources Policy vol 38, pp 448 457, 2013 View at Publisher View at Google Scholar. Z M Chen and G Q Chen, An overview of energy consumption of the globalized world economy, Energy Policy vol 39, no 10, pp 5920 5928, 2011 View at Publisher View at Google Scholar View at Scopus. N Nomikos and K Andriosopoulos, Modelling energy spot prices empirical evidence from NYMEX, Energy Economics vol 34, no 4, pp 1153 1169, 2012 View at Publisher View at Google Scholar. G B Ning, Z J Zhen, P Wang, Y Li, and H X Yin, Economic analysis on value chain of taxi fleet with battery-swapping mode using multiobjective genetic algorithm, Mathematical Problems in Engineering vol 2012, Article ID 175912, 15 pages, 2012 View at Publisher View at Google Scholar. S Chai, Y B Li, J Wang, and C Wu, A genetic algorithm for task scheduling on NoC using FDH cross efficiency, Mathematical Problems in Engineering vol 2013, Article ID 708495, 16 pages, 2013 View at Publisher View at Google Scholar. G Q Chen and B Chen, Resource analysis of the Chinese society 1980 2002 based on exergy Part 1 fossil fuels and energy minerals, Energy Policy vol 35, no 4, pp 2038 2050, 2007 View at Publisher View at Google Scholar View at Scopus. Z Chen, G Chen, X Xia, and S Xu, Global network of embodied water flow by systems input-output simulation, Frontiers of Earth Science vol 6, no 3, pp 331 344, 2012 View at Publisher View at Google Scholar. Z M Chen and G Q Chen, Embodied carbon dioxide emission at supra-national scale a coalition analysis for G7, BRIC, and the rest of the world, Energy Policy vol 39, no 5, pp 2899 2909, 2011 View at Publisher View at Google Scholar View at Scopus. H Z An, X - Y Gao, W Fang, X Huang, and Y H Ding, The role of fluctuating modes of autocorrelation in crude oil prices, Physica A vol 393, pp 382 390, 2014 View at Publisher View at Google Scholar. X - Y Gao, H - Z An, H - H Liu, and Y - H Ding, Analysis on the topologi cal properties of the linkage complex network between crude oil future price and spot price, Acta Physica Sinica vol 60, no 6, Article ID 068902, 2011 View at Google Scholar View at Scopus. X - Y Gao, H Z An, and W Fang, Research on fluctuation of bivariate correlation of time series based on complex networks theory, Acta Physica Sinica vol 61, no 9, Article ID 098902, 2012 View at Publisher View at Google Scholar. S Yu and Y - M Wei, Prediction of China s coal production-environmental pollution based on a hybrid genetic algorithm-system dynamics model, Energy Policy vol 42, pp 521 529, 2012 View at Publisher View at Google Scholar View at Scopus. S Geisendorf, Internal selection and market selection in economic genetic algorithms, Journal of Evolutionary Economics vol 21, no 5, pp 817 841, 2011 View at Publisher View at Google Scholar View at Scopus. R Tehrani and F Khodayar, A hybrid optimized artificial intelligent model to forecast crude oil using genetic algorithm, African Journal of Bu siness Management vol 5, pp 13130 13135, 2011 View at Google Scholar. A M Elaiw, X Xia, and A M Shehata, Minimization of fuel costs and gaseous emissions of electric power generation by model predictive control, Mathematical Problems in Engineering vol 2013, Article ID 906958, 15 pages, 2013 View at Publisher View at Google Scholar View at MathSciNet. L Mendes, P Godinho, and J Dias, A Forex trading system based on a genetic algorithm, Journal of Heuristics vol 18, no 4, pp 627 656, 2012 View at Publisher View at Google Scholar. M C Roberts, Technical analysis and genetic programming constructing and testing a commodity portfolio, Journal of Futures Markets vol 25, no 7, pp 643 660, 2005 View at Publisher View at Google Scholar View at Scopus. J - Y Potvin, P Soriano, and V Maxime, Generating trading rules on the stock markets with genetic programming, Computers and Operations Research vol 31, no 7, pp 1033 1047, 2004 View at Publisher View at Google Scholar View at Scopus. A Esfahanipour an d S Mousavi, A genetic programming model to generate risk-adjusted technical trading rules in stock markets, Expert Systems with Applications vol 38, no 7, pp 8438 8445, 2011 View at Publisher View at Google Scholar View at Scopus. M A H Dempster, T W Payne, Y Romahi, and G W P Thompson, Computational learning techniques for intraday FX trading using popular technical indicators, IEEE Transactions on Neural Networks vol 12, no 4, pp 744 754, 2001 View at Publisher View at Google Scholar View at Scopus. T Nakashima, Y Yokota, Y Shoji, and H Ishibuchi, A genetic approach to the design of autonomous agents for futures trading, Artificial Life and Robotics vol 11, no 2, pp 145 148, 2007 View at Publisher View at Google Scholar View at Scopus. A Ghandar, Z Michalewicz, M Schmidt, T - D To, and R Zurbrugg, Computational intelligence for evolving trading rules, IEEE Transactions on Evolutionary Computation vol 13, no 1, pp 71 86, 2009 View at Publisher View at Google Scholar View at Scopus. W L Tu ng and C Quek, Financial volatility trading using a self-organising neural-fuzzy semantic network and option straddle-based approach, Expert Systems with Applications vol 38, no 5, pp 4668 4688, 2011 View at Publisher View at Google Scholar View at Scopus. C - H Cheng, T - L Chen, and L - Y Wei, A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting, Information Sciences vol 180, no 9, pp 1610 1629, 2010 View at Publisher View at Google Scholar View at Scopus. P - C Chang, C - Y Fan, and J - L Lin, Trend discovery in financial time series data using a case based fuzzy decision tree, Expert Systems with Applications vol 38, no 5, pp 6070 6080, 2011 View at Publisher View at Google Scholar View at Scopus. G A Vasilakis, K A Theofilatos, E F Georgopoulos, A Karathanasopoulos, and S D Likothanassis, A genetic programming approach for EUR USD exchange rate forecasting and trading, Computational Economics vol 42, no 4, pp 415 431, 2013 View at Publisher View at G oogle Scholar. I A Boboc and M C Dinica, An algorithm for testing the efficient market hypothesis, PLoS ONE vol 8, no 10, Article ID e78177, 2013 View at Publisher View at Google Scholar. W Cheung, K S K Lam, and H F Yeung, Intertemporal profitability and the stability of technical analysis evidences from the Hong Kong stock exchange, Applied Economics vol 43, no 15, pp 1945 1963, 2011 View at Publisher View at Google Scholar View at Scopus. H Dewachter and M Lyrio, The economic value of technical trading rules a nonparametric utility-based approach, International Journal of Finance and Economics vol 10, no 1, pp 41 62, 2005 View at Publisher View at Google Scholar View at Scopus. A Fern ndez-P rez, F Fern ndez-Rodr guez, and S Sosvilla-Rivero, Exploiting trends in the foreign exchange markets, Applied Economics Letters vol 19, no 6, pp 591 597, 2012 View at Publisher View at Google Scholar View at Scopus. M Metghalchia, J Marcucci, and Y - H Chang, Are moving average trading rules profitabl e Evidence from the European stock markets, Applied Economics vol 44, no 12, pp 1539 1559, 2012 View at Publisher View at Google Scholar View at Scopus. C J Neely, P A Weller, and J M Ulrich, The adaptive markets hypothesis evidence from the foreign exchange market, Journal of Financial and Quantitative Analysis vol 44, no 2, pp 467 488, 2009 View at Publisher View at Google Scholar View at Scopus. W E Shambora and R Rossiter, Are there exploitable inefficiencies in the futures market for oil Energy Economics vol 29, no 1, pp 18 27, 2007 View at Publisher View at Google Scholar View at Scopus. F Allen and R Karjalainen, Using genetic algorithms to find technical trading rules, Journal of Financial Economics vol 51, no 2, pp 245 271, 1999 View at Google Scholar View at Scopus. J Wang, Trading and hedging in S P 500 spot and futures markets using genetic programming, Journal of Futures Markets vol 20, no 10, pp 911 942, 2000 View at Google Scholar View at Scopus. J How, M Ling, and P Verhoeve n, Does size matter A genetic programming approach to technical trading, Quantitative Finance vol 10, no 2, pp 131 140, 2010 View at Publisher View at Google Scholar View at MathSciNet. F Wang, P L H Yu, and D W Cheung, Combining technical trading rules using particle swarm optimization, Expert Systems with Applications vol 41, no 6, pp 3016 3026, 2014 View at Publisher View at Google Scholar. J Andrada-F lix and F Fern ndez-Rodr guez, Improving moving average trading rules with boosting and statistical learning methods, Journal of Forecasting vol 27, no 5, pp 433 449, 2008 View at Publisher View at Google Scholar View at MathSciNet View at Scopus. T T - L Chong and W - K Ng, Technical analysis and the London stock exchange testing the MACD and RSI rules using the FT30, Applied Economics Letters vol 15, no 14, pp 1111 1114, 2008 View at Publisher View at Google Scholar View at Scopus. I Cialenco and A Protopapadakis, Do technical trading profits remain in the foreign exchange market Evidence from 14 currencies, Journal of International Financial Markets, Institutions and Money vol 21, no 2, pp 176 206, 2011 View at Publisher View at Google Scholar View at Scopus. A E Milionis and E Papanagiotou, Decomposing the predictive performance of the moving average trading rule of technical analysis the contribution of linear and non-linear dependencies in stock returns, Journal of Applied Statistics vol 40, no 11, pp 2480 2494, 2013 View at Publisher View at Google Scholar. Y S Ni, J T Lee, and Y C Liao, Do variable length moving average trading rules matter during a financial crisis period Applied Economics Letters vol 20, no 2, pp 135 141, 2013 View at Publisher View at Google Scholar. V Pavlov and S Hurn, Testing the profitability of moving-average rules as a portfolio selection strategy, Pacific-Basin Finance Journal vol 20, no 5, pp 825 842, 2012 View at Publisher View at Google Scholar. C Chiarella, X - Z He, and C Hommes, A dynamic analysis of moving average rules, Journal of Ec onomic Dynamics Control vol 30, no 9-10, pp 1729 1753, 2006 View at Publisher View at Google Scholar View at Zentralblatt MATH View at MathSciNet. X - Z He and M Zheng, Dynamics of moving average rules in a continuous-time financial market model, Journal of Economic Behavior and Organization vol 76, no 3, pp 615 634, 2010 View at Publisher View at Google Scholar View at Scopus. C Neely, P Weller, and R Dittmar, Is Technical Analysis in the Foreign Exchange Market Profitable A Genetic Programming Approach Cambridge University Press, 1997.