利用多种交易工具制定日内外汇交易策略

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Evolving intraday foreign exchange trading strategies utilizing multiple
  instruments price series》
---
作者：
Simone Cirillo, Stefan Lloyd, Peter Nordin
---
最新提交年份：
2014
---
英文摘要：
  We propose a Genetic Programming architecture for the generation of foreign exchange trading strategies. The system\'s principal features are the evolution of free-form strategies which do not rely on any prior models and the utilization of price series from multiple instruments as input data. This latter feature constitutes an innovation with respect to previous works documented in literature. In this article we utilize Open, High, Low, Close bar data at a 5 minutes frequency for the AUD.USD, EUR.USD, GBP.USD and USD.JPY currency pairs. We will test the implementation analyzing the in-sample and out-of-sample performance of strategies for trading the USD.JPY obtained across multiple algorithm runs. We will also evaluate the differences between strategies selected according to two different criteria: one relies on the fitness obtained on the training set only, the second one makes use of an additional validation dataset. Strategy activity and trade accuracy are remarkably stable between in and out of sample results. From a profitability aspect, the two criteria both result in strategies successful on out-of-sample data but exhibiting different characteristics. The overall best performing out-of-sample strategy achieves a yearly return of 19%.
---
中文摘要：
我们提出了一种生成外汇交易策略的遗传编程架构。该系统的主要特点是不依赖任何先验模型的自由形式策略的演变，以及利用多个工具的价格序列作为输入数据。后一个特征构成了对文献中记录的以前作品的创新。在本文中，我们以5分钟的频率为AUD使用开放、高、低、闭合条数据。美元，欧元。美元，英镑。美元和美元。日元货币对。我们将通过分析美元交易策略的样本内和样本外绩效来测试实现。通过多次算法运行获得JPY。我们还将评估根据两个不同标准选择的策略之间的差异：一个仅依赖于在训练集上获得的适应度，另一个利用额外的验证数据集。在样本内和样本外结果之间，策略活动和交易准确性非常稳定。从盈利能力的角度来看，这两个标准都会导致策略在样本外数据上成功，但表现出不同的特征。整体表现最佳的样本外策略实现了19%的年回报率。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Neural and Evolutionary Computing        神经与进化计算
分类描述：Covers neural networks, connectionism, genetic algorithms, artificial life, adaptive behavior. Roughly includes some material in ACM Subject Class C.1.3, I.2.6, I.5.
涵盖神经网络，连接主义，遗传算法，人工生命，自适应行为。大致包括ACM学科类C.1.3、I.2.6、I.5中的一些材料。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--

---
PDF下载：
--> Evolving_intraday_foreign_exchange_trading_strategies_utilizing_multiple_instrum.pdf (808.68 KB)

2022-5-7 03:19:48 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：外汇交易策略 外汇交易 交易策略 Evolutionary Architecture

不断发展的日内外汇交易策略利用多种工具的价格序列Mone CirilloAlmont Capital LLC12800 Hillcrest Road德克萨斯州达拉斯75230cirillo@almontcapital.comStefan劳埃德蒙特资本有限责任公司，德克萨斯州达拉斯希尔克莱斯特路1280号75230lloyd@almontcapital.comPeter诺丁查尔默斯理工大学斯金格分校和2戈滕堡，Swedenpnordin@chalmers.seABSTRACTWe提出一种生成外汇交易策略的遗传编程架构。该系统的主要特点是不依赖任何先前模型的自由形式策略的演变，以及利用多个工具的价格序列作为输入数据。后一个特征构成了对文献中记录的以前作品的创新。在本文中，我们以5分钟的频率为AUD使用开放、高、低、闭合条数据。美元，欧元。美元，英镑。美元和美元。日元货币对。我们将通过分析美元交易策略的样本内和样本外性能来测试实现。通过多次算法运行获得JPY。我们还将评估根据两个不同标准选择的策略之间的差异：一个仅依赖于从培训集获得的能力，另一个利用额外的验证数据集。在样本内和样本外的结果之间，策略活动和交易准确性显著稳定。从可操作性方面来看，这两个标准都会导致策略在样本数据之外获得成功，但表现出不同的特征。整体表现最佳的样本外策略实现了19%的年回报率。类别和主题描述。2.2[人工智能]：自动编程程序综合或遗传编程；资金外汇；自动交易1。

引言外汇市场是世界上流动性最强的金融市场，其平均日周转率持续增长。根据国际清算银行（Bank for International Settlements）的数据，2013年4月，外汇市场的交易平均每天为53亿美元[4]。由于其流动性强西蒙尼·西里洛、斯特凡·劳埃德、彼得·诺丁。http://arxiv.org/licenses/nonexclusive-distrib/1.0/允许使用信用证进行摘要和引用。不得用于商业目的。外汇市场通常被认为是最难持续从交易中获得财务回报的市场。到目前为止，已经有许多学术研究，目的是使用非线性计算技术，如人工神经网络[3]、遗传算法[1]和遗传编程[30]，为金融市场和产品开发技术交易策略。在开发这些模型和策略时，最常选择的资产类别是股票，但也有人在场外交易市场上进行了尝试。一般来说，获得的结果是积极的，对看不见的数据表现出中等的支持度。然而，专业金融从业者经常质疑这些学术成果在实时市场上运行的现实生活中的适用性和再现性。在这篇文章中，我们描述了一个创新的基因编程体系结构的实施，用于外汇交易策略的演变，重点是准确的问题建模，以促进后续的实际市场应用，以及建立一种可靠的方法，从培训和验证绩效中选择能够在未知情况下获得有利结果的策略，新数据。1.1遗传规划遗传规划（GP）是一种属于进化算法类的元启发式优化技术。

进化算法（EA）从生物进化过程中得到启发。在这一过程开始时，随机生成一个问题的候选解决方案群体，然后在若干代人中进行评估、选择、繁殖、交叉和突变。随着一代又一代人的进步，人们逐渐找到了更好的解决方案。GP已由John Koza[18]推广，并成功应用于许多应用领域的各种问题，包括电子电路设计、光学系统、机器人、游戏、生物信息学、图像和信号处理、调度等。[19]. 在GP中，通过进化优化的候选解是计算数学表达式的程序；被用来评估他们在解决问题、推动过程方面有多出色的措施被称为能力函数。GP的一个关键优势是，一开始就没有人类对模型的先验假设，因为模型本身正在进化。因此，GP受到的唯一偏差是归纳偏差：在训练数据上“学习”的一组假设。例如，这与遗传算法（GA）所采用的方法形成了对比。遗传算法是另一种EA，其起点是一个预定结构的模型，只有通常代表系数或权重的数值才能进行进化优化。1.2 GP、金融市场和交易策略今天的金融市场由算法阅读器主导，占2010年美国股票交易量的73%以上[24]。

大多数算法交易者的策略依赖于相对较少的流行模型、假设和技术指标。根据Lo的适应性市场假说（AMH）[20]，金融市场中的有利机会通常存在，然而，由于技术交易中使用的模型、假设和指标的普及，随着时间的推移，这些机会逐渐消失，而其他机会出现；Gencay等人[12]也指出了一种行为。就外汇市场而言，Neely和Weller的分析表明，固定技术规则的可支持性随着时间的推移而发生显著变化[29,28]，这表明外汇市场似乎在一定程度上符合AMH。根据这一观点，随着模型和算法的流行和过时，出现了一个军备竞赛场景，即ametagame。如果策略超过了市场本身，以及其他交易策略的行动所造成的市场效应，那么策略就是成功的，这些策略既有针对性的紧急机会，也有针对性的当地效率。独立于AMH，外汇数据的时间序列被描述为混沌、极值和非平稳[13]。这些考虑因素导致的结论是，在足够长的时间范围内，合适的自适应模型或用于构建模型的自适应系统应该比静态模型或执行的交易规则产生更好的性能。综上所述，越来越多的证据表明，不断可靠地为交易策略找到不同、新颖、模型和逻辑的能力是金融从业者面临的一个决策问题。GP，考虑到其在没有人类假设的情况下进化模型的固有能力，直观上代表了一种很有前途的方法。将GP应用于外汇市场交易策略演变的首次尝试可以追溯到20世纪90年代末。

1997年，Neely、Weller和Dittmar试图为几对货币的日间交易制定策略；他们使用隔夜利率作为获得的回报，实施了一个二元长/短交易模型[26]。他们的结果显示，样本外的年超额回报率从1%到6%。尼利·安德韦勒（Neely andWeller）从2003年开始的一项更为精细的工作考虑了30分钟频率的日内数据[27]。他们的目标是调查交易成本对最终回报绩效的影响。在对不同的佣金率以及没有佣金率的情况下进行实验后，他们得出结论，他们的GP策略能够在数据中找到可预测的模式，但一旦考虑到交易成本，他们很难产生正超额回报。2001年，Dempster和Jones开发了一个GP系统，用于演化基于指标的交易规则[10]。这些指标的计算时间间隔为15分钟，而这些策略的计算时间间隔为1分钟，这是一项令人印象深刻的计算工作。在1994年第一季度至1997年第四季度期间，他们获得了7%的年化回报率。他们的调查显示，在样本期外的前三个季度，公司的业绩表现较为稳定，而后期的业绩则更不稳定，更容易出现亏损，这为安手提供了间接支持，表明需要进行某种形式的模型再培训，以保证长期稳定的业绩。Hryshko和Downs使用遗传算法和强化学习实现了一种混合架构，以优化基于指标的出入境规则。

他们获得了6%的利润。3.5个月期间的美元[17]。2006年，Brabazon和O\'Neill使用一种叫做语法进化的技术提出了策略的进化，这是GP的一种变体，基于正式语法，报告了从0.1%到5%的样本结果[8]。近年来，零售硬件的计算能力呈指数级增长，能够并行计算的体系结构被广泛采用，软件工具也越来越多，最终出现了许多零售交易经纪人以及提供日内报价甚至实时报价的金融数据供应商。所有这些因素都为人们对这一主题重新产生兴趣奠定了基础，使得在大量数据上对更复杂的模型进行评估变得可行和实用。Hirabayashi等人利用遗传算法优化技术指标的选择，以构建买卖交易规则[15]。根据两年的小时数据，每三个月进行一次滚动窗口再培训，他们在2005-2008年的综合绩效为17%。日元，欧元兑80%。日元和38%的澳元。日元使用杠杆。然而，相应的无杠杆回报率分别只有2%、2%和19%。Wilson和Banzhaf提出了一种基于线性遗传规划（GP的变体）的体系结构。最初，他们将其应用于股票市场的日间数据[33]和日内数据[34]。后来，他们专注于日间外汇交易[35]。他们的方法在CAD上进行了测试。美元，欧元。美元，英镑。美元和日元。他们比较了三种不同能力函数所获得的绩效：一种完全基于盈利，另两种明确尝试将损失最小化。

在考虑交易成本后，他们报告的年化利润范围从-9%到13%，具体取决于货币对和适应性度量。Godinho研究了一个GA规则对汇率有界的货币的可行性，与自由浮动相反[14]。他只报告了美元采样器中的阳性。SGD，分析的有界货币之一。Mendes等人利用遗传算法（GA）[25]发展了一套出入境技术交易规则。适用于欧元。美元和英镑。美元数据显示，从1分钟到1小时不等的频率，训练集的总回报是稳定的盈利。然而，测试数据的统计性能（看不见的）要差得多，而且在交易成本的存在下，可靠性会受到侵蚀。Loginov提出了一种GP变体，称为FXGP，基于代表战略逻辑的决策树的协同进化以及该树使用的技术指标[21]；FXGP还可以采用定期或触发条件培训，以提高样本外数据的性能一致性。这种再培训似乎是该方法稳定性的基础：未经任何培训的算法运行在3年期结束时，最多有38%的概率具有任何稳定性。构建问题的不同方式不是交易策略的直接演变，而是价格预测模型的演变；然后，将预测模型与固定的逻辑规则相结合，生成交易信号。Evans等人开发了一个价格预测模型，利用GGA优化人工神经网络（ANN）的结构[11]；他们报告的年化回报率为23.3%，不包括交易成本，样本数据集长度为两个月。Vasilakis等人开发了GP模型，用于欧元每日ECB波动的1天预测。美元汇率[31]。

交易表现优于abuy和hold基准策略、移动平均收敛-分歧（MACD）交易和进化人工神经网络（EANN）模型，后者是一种将遗传算法和人工神经网络相结合的技术。Manahov和Hudson还试图使用GP[22]预测日内汇率。他们的方法的独特之处在于，他们依靠一个完全模拟的标记来标记GP个体之间的竞争。在他们的实验中，他们利用了5分钟的数据，并显示出样本外的稳定性优于欧元的传统自回归模型。美元，美元。日元，英镑。美元，澳元。美元，美元。瑞士法郎和美元。返回率在5.90%到3.76%之间的CAD配对。在最近一项使用1分钟数据的研究中，他们的结果没有显示出显著的改善[23]。1.3目标和范围在本文中，我们将描述一种架构，使用基因编程在外汇市场中发展日内交易策略，最终目标是将其用于实时交易。我们的方法以创新的关键方面为特色，旨在提高GP策略的性能，增加其灵活性，并缩小GP环境中发生的进化优化过程与在线实时交易中的后续使用之间的差距。例如，与记录在案的工作相比，我们的实施不依赖于技术指标、自回归输入或预先定义的一套规则，而是发展完全自由形式的交易策略，将不同外汇对的报价作为输入值。

因此，我们的架构为问题和解决方案领域提供了更大的搜索空间。最后，在第三方商业交易软件中评估策略，以验证获得结果的正确性，并进行进一步测试。我们将展示我们的美元交易系统产生的策略所获得的结果。日元即期汇率，美元为计算业绩的基础货币；我们将根据买入并持有策略以及巴克莱的BTOP外汇指数[7]对其进行基准测试。为了建立可靠的方法，我们还将比较两种不同的选择策略的标准，这些策略可能在看不见的数据上表现良好。成功推广的良好先验机会对于在现场、生产和交易环境中持续使用GP策略的可行性至关重要。在第2节中，我们描述了用于本文所述评估的forextrading遗传编程体系结构的实现。第3节概述了我们执行的GP算法运行的细节和范围。在第4节中，我们将介绍所获得的结果，并将其与第5节之前的工作进行讨论和比较。在第6节中，我们将作总结，并指出这一研究领域未来可能采取的步骤。2.