MANUAL DE COMERCIO - Media Movible Adaptativa: Cómo Utilizar, Reglas de Negociación, Manual de Video y Gratis para Descargar 1. La Teoría y Cómo Usar en el Negociación El promedio móvil adaptativo (AMA), como su nombre sugiere, es una adaptación del promedio móvil. Está diseñado para adaptarse según el mercado dinámico según sea necesario. El promedio móvil simple (SMA) y sus promedios móviles ponderados por primos (WMA) y promedios móviles exponenciales (EMA) funcionan fantásticos cuando el mercado está en tendencia. Sin embargo, cuando el mercado está limitado por el rango de recoger una gran cantidad de ruido del mercado generando una gran cantidad de señales prematuras. Por otra parte, todos ellos están inherentemente rezagados en la naturaleza. En una búsqueda para remediar las deficiencias de los promedios móviles, Perry J. Kaufmann, introdujo por primera vez el promedio móvil adaptable en su libro The Smarter Trading: Improving Performance in Changing Markets. 20-Day-AMA AMA En Acción: Antes de la introducción del Sr. Kaufmanns de AMA, los comerciantes emplearon la combinación de más de una sola media móvil, como el método de doble crossover y el método de triple crossover. Las razones detrás de emplear la combinación múltiple de las medias móviles se basan en los siguientes hechos: Los promedios de movimiento rápido, que a menudo consiste en un período de tiempo más corto, como el período de 5 días, se desempeñó mejor cuando el mercado está tendiendo rápidamente. Los promedios móviles lentos, que a menudo consisten en periodos de tiempo más largos, tales como el período de 50 días, se comportaron mejor cuando el mercado está ligado al rango, filtrando así la mayor parte del ruido del mercado. Así que el genio en Kaufmanns AMA fue un sistema lo suficientemente inteligente como para variar su velocidad de acuerdo a una combinación de dirección del mercado y la velocidad. En otras palabras, cuando el mercado está en tendencia, AMA acelera junto con la tendencia. Cuando el mercado está ligado al rango y no hace nada AMA se ralentiza. Así, se gana el nombre de adaptable a medida que se ajusta a la dirección del mercado y la velocidad. Kaufmanns AMA alcanza el sentido de la dirección y la velocidad del mercado al incorporar el ratio de eficiencia. 2. Reglas de negociación de media móvil adaptable A continuación se presentan las reglas de negociación para la media móvil adaptable: Comprar cuando la AMA se convierte Vender cuando la AMA se vuelve baja Generar reglas de negociación de media móvil en el mercado de futuros de petróleo con algoritmos genéticos 1 Escuela de Humanidades y Gestión Económica, Universidad China de Geociencias, Beijing 100083, China 2 Laboratorio clave de Evaluación de la Capacidad de Carga de Recursos y Medio Ambiente, Ministerio de Tierra y Recursos, Beijing 100083, China 3 Laboratorio de Recursos y Gestión Ambiental, China Universidad de Geociencias, Beijing 100083, China 4 Instituto De Chinax2019s Reforma y Desarrollo Económico, Universidad Renmin de China, Beijing 100872, China Recibido el 19 de febrero de 2014 Revisado el 4 de mayo de 2014 Aceptado el 7 de mayo de 2014 Publicado el 26 de mayo de 2014 Editor académico: Wei Chen Copyright xa9 2014 Lijun Wang et al. Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons Attribution License. Que permite el uso irrestricto, la distribución y la reproducción en cualquier medio, siempre que la obra original se cita adecuadamente. Resumen El mercado de futuros de crudo desempeña un papel fundamental en el financiamiento de la energía. Para obtener un mayor retorno de la inversión, los académicos y los comerciantes utilizan indicadores técnicos al seleccionar las estrategias de negociación en el mercado de futuros del petróleo. En este artículo, los autores usaron los precios medios móviles de futuros de petróleo con algoritmos genéticos para generar reglas comerciales rentables. Definimos individuos con diferentes combinaciones de longitudes de período y métodos de cálculo como reglas de negociación de media móvil y usamos algoritmos genéticos para buscar las longitudes adecuadas de los períodos de media móvil y los métodos de cálculo apropiados. Los autores usaron los precios diarios del crudo de los futuros NYMEX de 1983 a 2013 para evaluar y seleccionar reglas de media móvil. Comparamos las reglas de negociación generadas con la estrategia de compra y retención (BH) para determinar si las reglas de negociación de media móvil generadas pueden obtener rendimientos excesivos en el mercado de futuros del crudo. A través de 420 experimentos, determinamos que las reglas de comercio generadas ayudan a los comerciantes a obtener beneficios cuando hay fluctuaciones de precios obvias. Las reglas de negociación generadas pueden lograr rendimientos excesivos cuando el precio cae y experimenta fluctuaciones significativas, mientras que la estrategia de BH es mejor cuando el precio aumenta o es suave con pocas fluctuaciones. Los resultados pueden ayudar a los comerciantes a elegir mejores estrategias en diferentes circunstancias. 1. Introducción La energía es vital para el desarrollo económico. Las actividades de los hogares, la producción industrial y las inversiones en infraestructura consumen energía directa o indirectamente, independientemente de los países desarrollados o en desarrollo 1. Las cuestiones relacionadas con el comercio de energía 2, la eficiencia energética 3, la política energética 4 x20136, el consumo de energía 7 y el financiamiento de la energía 8 han recibido mayor importancia en los últimos años. El mercado de futuros de crudo es una parte crucial del financiamiento de energía dentro del alcance del mercado global de energía. Los comerciantes e investigadores emplean herramientas de análisis técnico para identificar las reglas de comercio ganadoras en los mercados financieros. En consecuencia, los indicadores de media móvil se utilizan comúnmente en el análisis técnico para actualizar mayores retornos. Este artículo intenta responder si en la vida real un inversionista puede usar las reglas de negociación técnicas de media móvil para obtener retornos excedentes a través de la búsqueda de reglas de negociación de media móvil rentables con algoritmos genéticos en el mercado de futuros de crudo. Los algoritmos genéticos son ampliamente utilizados en las ciencias sociales [9, 10], especialmente en ciertas cuestiones complejas donde es difícil de realizar cálculos precisos. Es una tendencia a aplicar métodos físicos o matemáticos en la economía de la energía y los recursos 11 x201316. Los investigadores han aplicado algoritmos genéticos para la predicción de la producción de carbón-contaminación ambiental 17, la selección interna y el comportamiento de selección del mercado en el mercado 18, la previsión de demanda de petróleo crudo 19, la minimización de los costos de combustible y las emisiones gaseosas de generación eléctrica 20; El sistema de comercio de divisas 21. Con respecto a los temas de análisis técnico financiero, los estudiosos usan algoritmos genéticos para buscar las mejores reglas comerciales y rentables indicadores técnicos al tomar decisiones de inversión 22 x201325. Los algoritmos genéticos se combinan con otras herramientas como el modelo basado en agentes 26, la teoría de las matemáticas difusas 27 y las redes neuronales [28]. También hay algunos estudios que han utilizado algoritmos genéticos para predecir las tendencias de precios en el mercado financiero 29.30 o el tipo de cambio del mercado de divisas 31. Debido a que hay un gran número de reglas comerciales técnicas e indicadores técnicos disponibles en el mercado de futuros de petróleo crudo, no es práctico utilizar cálculos ergódicos u otros métodos de cálculo precisos. Por lo tanto, el uso de algoritmos genéticos es una forma factible de resolver este problema. Indicadores de media móvil se han utilizado ampliamente en los estudios de valores y mercados de futuros 32 x201337. Dos promedios móviles de diferentes longitudes se comparan para predecir las tendencias de precios en diferentes mercados. Los promedios móviles cortos son más sensibles a los cambios de precios que los largos. Si un precio medio móvil corto es más alto que un precio promedio móvil de largo plazo, los comerciantes creerán que el precio subirá y tomará posiciones largas. Cuando el precio medio de movimiento corto cae y cruza con el largo, las actividades comerciales opuestas se tomarán 38. Allen y Karjalainen (AK) 39 utilizaron algoritmos genéticos para identificar las reglas técnicas de negociación en los mercados bursátiles con precios diarios de la Sx26P 500. El precio medio móvil se utilizó como uno de los muchos indicadores de las reglas técnicas. Otros indicadores, como el valor medio y el valor máximo, también se utilizan para tomar decisiones de inversión. Wang 40 llevó a cabo una investigación similar en mercados spot y de futuros utilizando la programación genética, mientras que 41 aplicó el método AKx2019s a diferentes valores de capital para determinar la relevancia del tamaño. William, comparando diferentes reglas técnicas y reglas de redes neuronales artificiales (ANI) con respecto al mercado de futuros de petróleo, determinó que la RNA es una buena herramienta, poniendo así en duda la eficiencia del mercado del petróleo 38. Todos estos estudios combinan indicadores de media móvil con otros indicadores para generar reglas comerciales. Sin embargo, en este artículo, utilizamos promedios móviles para generar reglas comerciales, lo cual puede ser un enfoque simple y eficiente. El desempeño de una regla de negociación promedio móvil se ve afectado significativamente por los períodos de duración 42. Por lo tanto, encontrar longitudes óptimas de los dos períodos anteriores es un tema central en la literatura de análisis técnico. Una variedad de longitudes se han probado en los proyectos de investigación existentes 43 x201348. En la investigación existente, la mayoría de las reglas del promedio móvil usan longitudes fijas del promedio móvil y método de cálculo del promedio móvil único. Sin embargo, es mejor utilizar longitudes variables para diferentes períodos de inversión 49. 50 y existen diferentes tipos de métodos de cálculo del promedio móvil que pueden utilizarse en el análisis técnico. En este trabajo, considerando que la duración óptima de los periodos de media móvil y el mejor método de cálculo pueden variar de una ocasión a otra, utilizamos algoritmos genéticos para determinar la longitud adecuada del período de media móvil y el método apropiado. En este trabajo se consideran seis métodos de cálculo del promedio móvil y los algoritmos genéticos pueden ayudarnos a encontrar el mejor método y las longitudes de período apropiadas para diferentes circunstancias. En consecuencia, podemos presentar las reglas de negociación de media móvil más adecuadas para los comerciantes en el mercado de futuros de crudo. 2. Datos y método 2.1. Datos Utilizamos los precios diarios del contrato futuro de crudo 1 para el período 1983 a 2013 de la Bolsa Mercantil de Nueva York (Fuente de datos: www. eia. gov/dnav/pet/petx5fprix5ffutx5fs1x5fd. htm). Seleccionamos 20 grupos de datos de muestra, cada uno con 1000 precios diarios. En los 1000 precios diarios, una serie de precios de 500 días se utiliza para entrenar reglas comerciales en cada generación. Los siguientes 200 precios se utilizan para seleccionar la mejor regla generada de todas las generaciones, y los últimos 300 precios diarios se utilizan para determinar si la regla generada puede adquirir retornos excedentes. El primer grupo comienza en 1985, el último grupo termina en 2013, y cada serie de precios de 1000 días con un paso de 300 se selecciona. Debemos también incluir 500 precios más diarios antes de cada serie de la muestra para calcular los precios móviles para el período de la muestra. Por lo tanto, cada experimento independiente requiere una serie de precios de 1500 días. Los datos que utilizamos se presentan en la Figura 1. Figura 1: Selección de datos. 2.2. Método El movimiento de las reglas de negociación promedio facilita la toma de decisiones para los comerciantes al comparar dos medias móviles de diferentes períodos. De esta manera, los operadores pueden predecir la tendencia de los precios analizando la volatilidad de los precios medios móviles. Hay seis indicadores de media móvil usualmente utilizados en el análisis técnico: promedio móvil simple (SMA), promedio móvil ponderado (WMA), promedio móvil exponencial (EMA), promedio móvil adaptable (AMA), promedio TPMA y triangular Promedio móvil (TMA). Los métodos de cálculo de los indicadores de media móvil se presentan en la Tabla 1. Tabla 1: Detalles de los seis indicadores de media móvil. Para utilizar una regla de negociación de media móvil en el mercado de futuros de petróleo, por lo menos tres parámetros deben establecerse para establecer una estrategia comercial. Estos parámetros incluyen las longitudes de dos periodos de media móvil y la elección del método del promedio móvil de los seis tipos anteriores. Otros investigadores han utilizado diferentes longitudes de períodos de muestra en sus estudios. En este trabajo, usamos algoritmos genéticos para determinar longitudes apropiadas del período de media móvil. De acuerdo con la literatura existente, el largo período es generalmente entre 20 y 200 días (muy pocos estudios utilizan períodos más de 200 días) 38. 39, y el período corto generalmente no es más de 60 días. Si el precio medio largo es más bajo que el precio medio corto, un comerciante tomará una posición larga. De ello se desprende que en situaciones opuestas se adoptarán estrategias opuestas. Tomando nota de la volatilidad de los precios en el mercado de futuros, tomar una posición larga cuando el precio medio corto excede el precio medio largo por al menos una desviación estándar en el corto período puede ser una buena regla. Por el contrario, tomar una posición corta también puede ser una buena regla. Por lo tanto, diseñamos las dos reglas en nuestras reglas comerciales iniciales. Los métodos de cálculo detallados de las seis medias móviles se presentan en la Figura 2. Figura 2: Estructura de las reglas de negociación. Una cadena binaria de 17 bits se utiliza para representar una regla comercial en la que una subcadena de siete binarios representa (MN) (x2009x2009 es la longitud de período largo y es la longitud de período corto) una subcadena de seis binarios es (pertenece al rango de 1 a 64) una subcadena de tres binarios representa el método de cálculo de los precios medios. En este artículo, el rango de to es de 5 a 132. El último binario determina si se deben cambiar las estrategias de negociación sólo cuando hay más de una diferencia de desviación estándar entre dos precios medios móviles. La estructura de las reglas de negociación se presenta en la Figura 2. La aptitud de una regla de negociación se calcula de acuerdo a los beneficios que puede hacer en el mercado de futuros de crudo. Para comparar las reglas de negociación generadas con la estrategia BH (buy-and-hold, tomando la posición larga durante todo el período), el beneficio de una regla generada es el exceso de tasa de retorno que excede la estrategia de BH. El método de cálculo de la tasa de retorno hace referencia al método AKx2019s. La diferencia es que permitimos que un comerciante mantenga una posición durante mucho tiempo, y no calculamos el rendimiento todos los días. Consideremos el exceso de tasa de retorno de una estrategia de posición larga, es decir, la suma del retorno de la posición larga y la posición corta. Rf es el rendimiento sin riesgo cuando está fuera del mercado, y Rbh es la tasa de retorno de la estrategia de BH en el período de muestra. Rm es la relación de margen del mercado de futuros. El parámetro denota la tasa de costo de transacción unidireccional. Y representan el precio de apertura y el precio de cierre de una posición (larga o corta), respectivamente. Es el precio del primer día en todo un período y es el precio del último día. Al ignorar la cantidad de cambio en el margen diario y el plazo del contrato, un comerciante puede mantener su estrategia tomando nuevas posiciones cuando un contrato se acerca a su fecha de cierre. El valor de aptitud es un número entre 0 y 2 calculado mediante conversión no lineal de acuerdo con Ra. El cálculo del valor de la aptitud, la selección, el cruce y la mutación de individuos se implementan usando la caja de herramientas GA de Sheffield en la plataforma Matlab. En cada generación, para evitar la saturación de los datos de entrenamiento, la mejor regla comercial en cada generación será probada en un período de selección de muestra (la serie de precios de 200 días). Solamente cuando el valor de la aptitud es más alto que el mejor valor en la última generación o cuando los dos valores son casi iguales (x3c 0.05) puede la regla de comercio ser marcada como el mejor hasta ahora. En cada generación, el 90 por ciento de la población será seleccionado para formar una nueva generación, mientras que el otro 10 por ciento será generado al azar. En consecuencia, la evolución de los individuos que utilizan algoritmos genéticos en un solo experimento independiente puede resumirse como sigue. Paso 1 (inicializar población). Crear al azar una población inicial de 20 media móvil reglas comerciales. Paso 2 (evaluar individuos). La aptitud de cada individuo se calcula en el paso de evaluación. El programa calcula los precios medios móviles en dos escalas diferentes durante el período de entrenamiento usando los datos auxiliares y determina las posiciones en cada día de negociación. Entonces se calcula el exceso de tasa de retorno de cada individuo. Por último, el valor de la aptitud de cada individuo se calcula de acuerdo con el exceso de tasa de retorno. Paso 3 (recuerde la mejor regla comercial). Seleccione la regla con el valor de aptitud más alto y evalúela para el período de selección para obtener su tasa de retorno. Si es mejor que o no inferior a la mejor regla actual, se marcará como la mejor regla comercial. Si su tasa de devolución es inferior o inferior a 0,05 superior a la tasa actual, retenemos la regla actual como la mejor. Paso 4 (generar nueva población). Seleccionando 18 individuos de acuerdo a sus valores de aptitud, el mismo individuo podría ser seleccionado más de una vez. Por lo tanto, crear al azar 2 reglas comerciales adicionales. Con una probabilidad de 0,7, realizar una operación de recombinación para generar una nueva población. En consecuencia, todas las reglas de recombinación serán mutadas con una probabilidad de 0,05. Paso 5. Vuelva al Paso 2 y repita 50 veces. Paso 6 (pruebe la mejor regla comercial). Pruebe la mejor regla comercial identificada por el programa anterior. Esto generará la tasa de retorno e indicará si los algoritmos genéticos pueden ayudar a los comerciantes a actualizar las ganancias excedentes durante este período de la muestra. 3. Resultados Debido a que en este trabajo no hemos considerado la cantidad de activos, asumimos que la relación de margen es 0,05. De hecho, como el parámetro no tiene un efecto significativo en los resultados de nuestro experimento, la tasa de retorno se incrementa veinte veces. Con 20 ensayos en cada período, se realizan 420 experimentos independientes para determinar las reglas de negociación de media móvil útiles en el mercado de futuros de crudo. Los precios que usamos para los 21 períodos se muestran en la Figura 3. Figura 3: Datos de la muestra. Sobre la base de estudios anteriores 39. 40. 51 y sobre la decisión de seleccionar un valor intermedio para este estudio, la tasa de costo de transacción se establece en 0.1x25 para los 420 experimentos. La tasa de retorno libre de riesgo es de 2x25, que se basa principalmente en la tasa de bonos del tesoro a corto plazo 41. De los 420 juicios, 226 obtienen beneficios. Con una tasa de retorno promedio de 1,446, se concluye que los algoritmos genéticos pueden facilitar a los comerciantes para obtener rendimientos en el mercado de futuros de crudo. Sin embargo, el promedio móvil de las reglas de negociación identificadas por los algoritmos genéticos no resultan en exceso de retornos ya que sólo hay 8 períodos en los que las normas de comercio generado resultó en los comerciantes que reciben retornos excedentes. Dado que el precio de los futuros del petróleo crudo aumentó muchas veces durante el período de la muestra, sostuvimos además que los algoritmos genéticos son útiles en las inversiones. Para una mejor comprensión, dividimos los 21 períodos en 4 categorías según los resultados (véase la última columna de la Tabla 2). Tabla 2: Resultados del experimento. Categoría 1 (períodos 2, 3 y 9). En estos períodos, las reglas de comercio generadas no sólo ayudan a los comerciantes a obtener retornos, sino que también les ayudan a obtener rendimientos excesivos. Las reglas de negociación generadas generan más beneficios que la estrategia de BH en los períodos 3 y 9. En el período 2, la estrategia de BH pierde dinero, mientras que las reglas de comercio generadas, según lo determinado por los algoritmos genéticos, generan ganancias. Por lo tanto, las reglas de comercio generadas son muy superiores a la estrategia de BH en este período. Una característica común de estos tres períodos en la Categoría 1 es que los precios del crudo cayeron durante el período de prueba y experimentaron fluctuaciones significativas. Categoría 2 (períodos 5, 8, 12, 16 y 18). Las reglas de negociación promedio móvil generadas no generan beneficios durante estos cinco períodos. Aun así, las reglas generadas se desempeñaron mejor que la estrategia de BH, ya que redujeron significativamente las pérdidas. En estos períodos, los precios disminuyeron suavemente, experimentando algunas pequeñas fluctuaciones durante el proceso. Categoría 3 (períodos 1, 6, 7, 10, 11, 14, 15 y 17). En estos ocho periodos de datos muestrales, los algoritmos genéticos ayudan a los comerciantes a identificar las reglas adecuadas de negociación del promedio móvil. Sin embargo, los comerciantes no obtener exceso de retornos. Mientras que los precios aumentan constantemente en estos períodos, también hay algunas fluctuaciones menores, lo que hace que los algoritmos genéticos sean inferiores a la estrategia de BH en estos períodos. Categoría 4 (períodos 4, 13, 19, 20 y 21). Las reglas de negociación de algoritmos genéticos demuestran un desempeño pobre en estos cinco períodos. En el período 21, la estrategia de BH produce rendimientos negativos. Nuestras reglas de comercio genético producen pérdidas más severas. La estrategia de BH se considera superior a las reglas de negociación generadas en los otros cuatro períodos, ya que la estrategia de BH produce algunas rentabilidades. Si bien no hay cambios significativos en el nivel de precios en estos períodos, los precios se encuentran en estados volátiles a lo largo de los cinco períodos. Los ligeros cambios de precios sin tendencias aparentes hacen que las reglas de negociación generadas sean impotentes en la predicción de cambios de precios y en proporcionar rendimientos. Utilizamos algoritmos genéticos para buscar buenas reglas de negociación de media móvil para los comerciantes en el mercado de crudo. El cuadro 3, que muestra el número medio de y por cada período, indica que el valor del período largo () tiene una estrecha relación con la volatilidad de los precios en el período de la muestra. Una gran se establece en períodos con fluctuaciones significativas y una pequeña se selecciona para los períodos en los que el precio es relativamente estable. Cuadro 3: El valor medio de y en cada período. La distribución de se muestra en la figura 4. El valor de la probabilidad es muy pequeño y no sigue la distribución normal. La figura presenta una típica característica de cola grasa con una curtosis de 2,36. En comparación con la distribución normal, hay más valores localizados en las colas de la distribución en nuestros resultados. Sólo en la mitad de los 420 experimentos, es entre 70 días y 130 días. Los valores están descentralizados y creemos que es más científico escoger las mejores longitudes de los dos períodos usando un proceso de capacitación que hemos utilizado en este artículo en la inversión real. Figura 4: Distribución de. Entre los seis métodos de cálculo del promedio móvil, AMA y TMA se usan con más frecuencia que los otros cuatro (ver Cuadro 4), ya que más de la mitad de las reglas de comercio de media móvil generadas utilizan AMA o TMA. Un pequeño número de reglas de comercio generadas utilizan WMA y EMA, mientras que TPMA y SMA, que son fáciles de calcular, se utilizan con frecuencia en algunos períodos, como los períodos 1, 2, 3, 12, 19 y 21. Tabla 4: Cálculo Métodos de precio medio móvil en cada período. La selección del método de cálculo se asocia con la evolución de los precios y la volatilidad. La Figura 5 muestra que TPMA se utiliza 31 veces en los 60 experimentos independientes en los períodos 2, 3 y 9 (Categoría 1). Diferente de la proporción total, TPMA es el método de cálculo más popular cuando el precio cae durante el período y experimentó fluctuaciones significativas. AMA es el método más popular en las otras tres categorías. EMA nunca se utiliza en categorías 1 y 4. Sin embargo, toma una proporción de 24x25 en la categoría 2, más de TMA, SMA, TPMA y WMA. Las proporciones de TMA y SMA no tienen diferencias significativas en las diferentes categorías. En la categoría 4, los precios cambian sin tendencias aparentes. Ningún método tiene ventaja obvia sobre los demás. Figura 5: Proporciones de métodos en diferentes categorías. Los resultados de 20 experimentos en el mismo período indican alta consistencia en el valor sd (Tabla 5). Cuando los precios fluctúan, como en los períodos 1, 2, 7, 8, 13, 19 y 20, entonces la mejor opción es no abrir posiciones hasta que un precio medio exceda a otro por al menos una desviación estándar. Cuando el precio es relativamente estable, una decisión de inversión debe hacerse inmediatamente mientras los dos promedios móviles se cruzen. Cuadro 5: Números de reglas de negociación en las cuales sd 1. 4. Discusión Este artículo intenta generar reglas de negociación de media móvil en el mercado de futuros de petróleo utilizando algoritmos genéticos. A diferencia de otros estudios, utilizamos sólo medias móviles como indicadores técnicos para identificar reglas de negociación de media móvil útiles, sin ningún otro instrumento o indicador de análisis técnico complejo. Moving promedio de las normas comerciales son fáciles de operar para los operadores, y son sencillos, independientemente de la situación. Para identificar las mejores reglas de negociación en el mercado de futuros del crudo, usamos algoritmos genéticos para seleccionar dinámicamente todos los parámetros en las reglas de negociación del promedio móvil en lugar de hacerlo de manera fija. De acuerdo con nuestros cálculos genéticos, el uso de algoritmos genéticos para averiguar las mejores longitudes de los dos periodos de media móvil se aboga porque las longitudes generadas difieren entre sí en diferentes tendencias de precios. Las reglas de negociación promedio móvil estática con longitudes de período fijo no pueden adaptarse a fluctuaciones complejas de precio en diferentes períodos. Sin embargo, un proceso de capacitación que tiene en cuenta las características dinámicas de las fluctuaciones de precios puede ayudar a los comerciantes a conocer las longitudes óptimas de los dos períodos de movimiento de una regla comercial. Entre los seis métodos de media móvil, el AMA y TMA son los más populares entre las reglas de comercio generado como estos dos métodos tienen la capacidad de adaptarse a las tendencias de precios. La AMA puede cambiar los pesos del precio actual de acuerdo a la volatilidad en los últimos días. Como la TMA es el promedio de la SMA, refleja con mayor exactitud el nivel de precios. Sin embargo, la selección del mejor método de cálculo del promedio móvil se ve afectada por la evolución de los precios. Los comerciantes pueden elegir métodos más científicamente de acuerdo con las tendencias de precios y las fluctuaciones. Sobre la base de los resultados de nuestro experimento, TPMA es una opción óptima cuando el precio experimenta un proceso de disminución con fluctuaciones significativas, y la generación de media móvil reglas de negociación son excepcionales en comparación con la estrategia de BH en estas ocasiones. Aunque EMA toma una proporción muy pequeña en el total de 420 experimentos, es también un método aplicable que no sea AMA cuando el precio cae suavemente. Para los períodos en los que la volatilidad de los precios es evidente, las decisiones no se tomarán hasta que la diferencia entre los dos promedios exceda la desviación estándar de los precios de muestra cortos, reduciendo así el riesgo de transacción. Sin embargo, este método no es adecuado para un período en el que el precio es relativamente estable. En estas situaciones, la vacilación a veces puede causar a los comerciantes a perder oportunidades de ganancias posibles. En su conjunto, las reglas de negociación de media móvil generadas pueden ayudar a los comerciantes a obtener beneficios a largo plazo. Sin embargo, los algoritmos genéticos no pueden garantizar el acceso a ingresos adicionales en cada período, ya que sólo son útiles en la adquisición de exceso de retornos en situaciones especiales. Las reglas de negociación de media móvil generadas demuestran un desempeño sobresaliente cuando el precio de futuros del crudo cae con fluctuaciones significativas. La estrategia de BH perderá en estas ocasiones, mientras que la regla comercial generada puede ayudar a los operadores a prever una caída en el precio y reducir las pérdidas. Nuestras reglas comerciales también producen retornos positivos durante las fluctuaciones por el cambio oportuno de posiciones. Cuando el precio cae suavemente con pocas fluctuaciones en el proceso, las reglas de comercio generadas pueden producir rendimientos excesivos en comparación con la estrategia de BH. Aunque los algoritmos genéticos no pueden ayudar a los comerciantes a recibir retornos positivos durante estos períodos, los algoritmos pueden ayudar a los comerciantes a reducir la pérdida cambiando posiciones con el cambio de las tendencias de precios. Cuando el precio es estable o aumenta suavemente, las reglas generadas pueden generar retornos. Sin embargo, no pueden generar más retornos que la estrategia de BH. Las devoluciones limitadas no pueden permitirse los costos de transacción. Cuando el precio cae, las reglas generadas pueden ser superiores a la estrategia de BH. Algoritmos genéticos también pueden ayudar a los comerciantes a obtener ganancias en el proceso de aumentos de precios con pequeñas fluctuaciones. En estos períodos, la estrategia de BH es mejor que las reglas de comercio generadas porque las transacciones en el proceso generan costos de transacción y pueden perder algunas oportunidades de beneficios. Las reglas de negociación promedio móvil generadas tienen un desempeño pobre si no hay tendencias notables en el cambio de precio. En estos períodos, los indicadores de media móvil no pueden encontrar oportunidades de beneficios porque la volatilidad es demasiado pequeña. Las tendencias de los cambios de precios se retrasan por el método del promedio móvil. Por lo tanto, cuando se toma una decisión, la tendencia de los precios también debe cambiar, y como resultado, no hay duda de que el comerciante experimentará déficit. Usando algoritmos genéticos, las reglas de negociación de media móvil ayudan a los comerciantes a obtener ganancias en el mercado de futuros real. También identificamos las mejores longitudes para los dos períodos con respecto a las reglas de promedio móvil y recomendamos el método de cálculo del promedio móvil para el mercado de futuros del crudo. Las reglas técnicas de negociación con sólo indicadores de media móvil generados por algoritmos genéticos no demuestran ventajas suficientes en comparación con la estrategia de BH debido a que el precio global aumentó durante el período de 30 años. Sin embargo, las reglas de comercio en movimiento generadas son beneficiosas para los comerciantes bajo ciertas circunstancias, especialmente cuando hay cambios significativos en los precios. En este artículo buscamos las mejores reglas de negociación de acuerdo a la tasa de retorno de cada uno sin tener en cuenta las condiciones del activo y el interés abierto, lo que resulta ser la mayor limitación del estudio. Para mejorar la precisión de los resultados, se recomienda una simulación con activos reales. En consecuencia, emprenderemos este esfuerzo en una investigación posterior. 5. Conclusiones Concluimos que los algoritmos genéticos identifican mejores reglas técnicas que permiten a los comerciantes actualizar los beneficios de sus inversiones. Si bien no tenemos evidencia que demuestre que las reglas de comercio generadas resultan en mayores retornos que la estrategia de BH, nuestra conclusión es consistente con la hipótesis de mercado eficiente. Si bien las reglas de negociación generadas facilitan a los comerciantes la realización de rentabilidades excedentes con respecto a sus actividades de inversión bajo circunstancias específicas, no pueden, al menos mediante el uso de reglas de negociación de media móvil, asegurar retornos de más largo plazo que la estrategia de BH. Con respecto a la selección de dos períodos, encontrar longitudes óptimas utilizando algoritmos genéticos es útil para obtener más beneficios. De los seis indicadores de media móvil, AMA y TMA son los métodos de cálculo del promedio móvil más populares para el mercado de futuros de petróleo crudo en total, mientras que TPMA es un método excepcional en alguna ocasión. Cuando los precios del petróleo crudo demuestran volatilidad notable, un comerciante se aconseja esperar hasta que la diferencia de las dos medias móviles exceda la desviación estándar del período corto y viceversa. Basado en el análisis anterior, es mejor usar la estrategia de BH cuando el precio aumenta o es estable. Sin embargo, las reglas de negociación de media móvil generadas son mejores que la estrategia de BH cuando el precio del petróleo crudo disminuye. Con respecto al método de cálculo del promedio móvil, se recomienda utilizar TPMA cuando el precio cae con fluctuaciones significativas y AMA cuando el precio cae suavemente, aunque TPMA no es un método popular en general. Proponemos reglas de negociación promedio móvil variables generadas por los procesos de capacitación en lugar de reglas de negociación promedio móvil estática en los mercados de futuros del crudo. Conflicto de intereses Los autores declaran que no hay conflicto de intereses con respecto a la publicación de este documento. Haizhong An, Lijun Wang, y Xuan Huang, el desarrollo del programa y el rendimiento de los experimentos fueron realizados por Xiaojia Liu y Lijun Wang, el análisis de los datos fue realizado por Haizhong An, Xiaohua Xia y Xiaoqi Sun, la composición del papel se hizo Por Lijun Wang, Xiaohua Xia y Xiaojia Liu, y la recuperación de la literatura y la edición de manuscritos fueron realizados por Xiaojia Liu, Xuan Huang y Xiaoqi Sun. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. 13, no. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol. Vol.
No comments:
Post a Comment