Algoritmo Genético Medio Móvil

Estoy trabajando en un proyecto escolar que intenta optimizar los promedios móviles usando algoritmos genéticos. Por lo que entiendo acerca de los promedios móviles, es un promedio de un cierto período de tiempo. Para utilizar esto para la previsión financiera, uno tendría que tomar dos promedios móviles y luego comprobar cuando se cruzan. Si la cruz está por encima del precio de mercado, entonces sería una señal para vender. Si la cruz está por debajo del precio de mercado, entonces sería una señal de compra. Después de leer otro trabajo sobre este hecho (a saber, csd. uwo. ca/ moreno / cs2101amoreno / GAanapplicationtotechnicaltradingsystemdesign. pdf), no estoy seguro de entender muy bien cómo un algoritmo genético podría ser utilizado para optimizar esto. Si no me equivoco, el mencionado estudio de caso generó una población de varias longitudes para el promedio móvil. Entonces calculó las medias móviles usando esas longitudes. El siguiente paso sería el paso de cruce. Esta es la parte que es más confuso para mí, porque si dos longitudes se cruzan, entonces no significa que la nueva longitud de la media móvil es diferente ahora Esta nueva longitud podría potencialmente no tienen relación para ser óptimo o no derecho ¿Podría alguien por favor Explicar cómo el estudio anterior está haciendo esto ya que creo que estoy malinterpretando el artículo pidió 7 de diciembre 15 a las 4: 56Using algoritmos genéticos para predecir los mercados financieros Carga del jugador. Burton sugirió en su libro A Random Walk Down Wall Street (1973) que un mono con los ojos vendados lanzando dardos en las páginas de los periódicos podría seleccionar una cartera que sería tan bien como una cuidadosamente seleccionada por expertos. Mientras que la evolución pudo haber hecho al hombre no más inteligente en la selección de las existencias, la teoría de Charles Darwins tiene absolutamente eficaz cuando se aplica más directamente. Algoritmos genéticos (GAs) son métodos de resolución de problemas (o heurística) que imitan el proceso de la evolución natural. A diferencia de las redes neuronales artificiales (RNAs), diseñadas para funcionar como neuronas en el cerebro, estos algoritmos utilizan los conceptos de selección natural para determinar la mejor solución para un problema. Como resultado, los AG se usan comúnmente como optimizadores que ajustan los parámetros para minimizar o maximizar alguna medida de retroalimentación, que puede utilizarse de forma independiente o en la construcción de una RNA. En los mercados financieros. Los algoritmos genéticos son más comúnmente utilizados para encontrar los mejores valores de combinación de parámetros en una regla comercial, y pueden ser incorporados en los modelos de ANN diseñados para recoger acciones e identificar los oficios. Varios estudios han demostrado que estos métodos pueden resultar eficaces, incluyendo los algoritmos genéticos: Genesis of Stock Evaluation (2004) por Rama, y ​​The Applications of Genetic Algorithms in Stock Market Data Mining Optimization (2004) por Lin, Cao, Wang, Zhang. (Para obtener más información sobre ANN, consulte Redes neuronales: Pronóstico de beneficios.) Cómo funcionan los algoritmos genéticos Los algoritmos genéticos se crean matemáticamente utilizando vectores, que son cantidades que tienen dirección y magnitud. Los parámetros para cada regla comercial se representan con un vector unidimensional que puede ser considerado como un cromosoma en términos genéticos. Mientras tanto, los valores utilizados en cada parámetro pueden ser considerados como genes, que luego se modifican mediante la selección natural. Por ejemplo, una regla comercial puede implicar el uso de parámetros como Moving Average Convergence-Divergence (MACD). Promedio móvil exponencial (EMA) y estocástico. Un algoritmo genético entonces introduciría valores en estos parámetros con el objetivo de maximizar el beneficio neto. Con el tiempo, se introducen pequeños cambios y aquellos que producen un impacto deseable se mantienen para la siguiente generación. Hay tres tipos de operaciones genéticas que pueden ser realizadas: Los cruces representan la reproducción y el cruce biológico visto en la biología, por el cual un niño asume ciertas características de sus padres. Las mutaciones representan la mutación biológica y se utilizan para mantener la diversidad genética de una generación de una población a la siguiente mediante la introducción de pequeños cambios al azar. Las selecciones son la etapa en la que los genomas individuales se eligen de una población para la cría posterior (recombinación o crossover). Estos tres operadores se utilizan entonces en un proceso de cinco pasos: Inicializar una población aleatoria, donde cada cromosoma es n-longitud, siendo n el número de parámetros. Es decir, se establece un número aleatorio de parámetros con n elementos cada uno. Seleccione los cromosomas, o parámetros, que aumentan los resultados deseables (presumiblemente el beneficio neto). Aplique los operadores de mutación o crossover a los padres seleccionados y genere un descendiente. Recombinar la descendencia y la población actual para formar una nueva población con el operador de selección. Repita los pasos dos a cuatro. Con el tiempo, este proceso dará como resultado cromosomas (o parámetros) cada vez más favorables para su uso en una regla comercial. El proceso se termina cuando se cumple un criterio de parada, que puede incluir el tiempo de ejecución, la aptitud, el número de generaciones u otros criterios. Usando algoritmos genéticos en el comercio Mientras que los algoritmos genéticos son utilizados principalmente por los comerciantes cuantitativos institucionales. Los comerciantes individuales pueden aprovechar el poder de los algoritmos genéticos - sin un grado en matemáticas avanzadas - utilizando varios paquetes de software en el mercado. Estas soluciones van desde paquetes de software independientes orientados hacia los mercados financieros hasta complementos de Microsoft Excel que pueden facilitar más análisis prácticos. Al utilizar estas aplicaciones, los comerciantes pueden definir un conjunto de parámetros que luego se optimizan utilizando un algoritmo genético y un conjunto de datos históricos. Algunas aplicaciones pueden optimizar qué parámetros se utilizan y los valores para ellos, mientras que otros se centran principalmente en simplemente optimizar los valores para un conjunto dado de parámetros. (Para obtener más información sobre estas estrategias derivadas del programa, consulte El poder de las operaciones del programa.) Consejos y trucos importantes de optimización El ajuste de curvas (sobre ajuste), diseñar un sistema comercial alrededor de datos históricos en lugar de identificar un comportamiento repetible, algoritmos genéticos. Cualquier sistema comercial que utilice GAs debe ser probado en el papel antes del uso en vivo. La elección de parámetros es una parte importante del proceso, y los comerciantes deben buscar parámetros que se correlacionen con los cambios en el precio de un determinado valor. Por ejemplo, probar diferentes indicadores y ver si alguno parece correlacionarse con las principales vueltas del mercado. Los algoritmos genéticos son formas únicas de resolver problemas complejos aprovechando el poder de la naturaleza. Mediante la aplicación de estos métodos para predecir los precios de los valores, los operadores pueden optimizar las reglas de negociación mediante la identificación de los mejores valores a utilizar para cada parámetro para un determinado valor. Sin embargo, estos algoritmos no son el Santo Grial, y los comerciantes deben tener cuidado de elegir los parámetros adecuados y no ajuste de la curva (sobre ajuste). (Para leer más sobre el mercado, echa un vistazo al mercado, no sus expertos.) Generación de media móvil Reglas de negociación en el mercado de futuros de petróleo con algoritmos genéticos 1 Escuela de Humanidades y Gestión Económica, China University of Geosciences, Beijing 100083, China 2 Laboratorio clave de evaluación de la capacidad de carga para 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 Económica y Desarrollo, 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 energético. 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 los indicadores técnicos rentables 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: 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 adaptativo (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 deduce 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 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 la 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 del 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 sencillas, 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 operadores 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 las 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 porque el precio total 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. 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 interests regarding the publication of this paper. Authorsx2019 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. Acknowledgments 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. References 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. 17571774, 2013. View at Publisher View at Google Scholar G. Wu, L.-C. Liu, and Y.-M. Wei, Comparison of Chinax27s oil import risk: results based on portfolio theory and a diversification index approach, Energy Policy . Vol. 37, no. 9, pp. 35573565, 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. 35203528, 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. 449458, 2012. View at Publisher View at Google Scholar N. Cui, Y. Lei, and W. Fang, Design and impact estimation of a reform program of Chinax27s tax and fee policies for low-grade oil and gas resources, Petroleum Science . Vol. 8, no. 4, pp. 515526, 2011. View at Publisher View at Google Scholar View at Scopus Y. L. Lei, N. Cui, and D. Y. Pan, Economic and social effects analysis of mineral development in China and policy implications, Resources Policy . Vol. 38, pp. 448457, 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. 59205928, 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. 11531169, 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 1980x20132002 based on exergy. Part 1: fossil fuels and energy minerals, Energy Policy . Vol. 35, no. 4, pp. 20382050, 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. 331344, 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. 28992909, 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. 382390, 2014. View at Publisher View at Google Scholar X.-Y. Gao, H.-Z. An, H.-H. Liu, and Y.-H. Ding, Analysis on the topological 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 Chinax27s coal production-environmental pollution based on a hybrid genetic algorithm-system dynamics model, Energy Policy . Vol. 42, pp. 521529, 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. 817841, 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 Business Management . Vol. 5, pp. 1313013135, 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. 627656, 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. 643660, 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. 10331047, 2004. View at Publisher View at Google Scholar View at Scopus A. Esfahanipour and 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. 84388445, 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. 744754, 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. 145148, 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. 7186, 2009. View at Publisher View at Google Scholar View at Scopus W. L. Tung 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. 46684688, 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. 16101629, 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. 60706080, 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. 415431, 2013. View at Publisher View at Google 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. 19451963, 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. 4162, 2005. View at Publisher View at Google Scholar View at Scopus A. Fernxe1ndez-Pxe9rez, F. Fernxe1ndez-Rodrxedguez, and S. Sosvilla-Rivero, Exploiting trends in the foreign exchange markets, Applied Economics Letters . Vol. 19, no. 6, pp. 591597, 2012. View at Publisher View at Google Scholar View at Scopus M. Metghalchia, J. Marcucci, and Y.-H. Chang, Are moving average trading rules profitable Evidence from the European stock markets, Applied Economics . Vol. 44, no. 12, pp. 15391559, 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. 467488, 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. 1827, 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. 245271, 1999. View at Google Scholar View at Scopus J. Wang, Trading and hedging in Sx26P 500 spot and futures markets using genetic programming, Journal of Futures Markets . Vol. 20, no. 10, pp. 911942, 2000. View at Google Scholar View at Scopus J. How, M. Ling, and P. Verhoeven, Does size matter A genetic programming approach to technical trading, Quantitative Finance . Vol. 10, no. 2, pp. 131140, 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. 30163026, 2014. View at Publisher View at Google Scholar J. Andrada-Fxe9lix and F. Fernxe1ndez-Rodrxedguez, Improving moving average trading rules with boosting and statistical learning methods, Journal of Forecasting . Vol. 27, no. 5, pp. 433449, 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. 11111114, 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. 176206, 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. 24802494, 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. 135141, 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. 825842, 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 Economic Dynamics x26 Control . Vol. 30, no. 9-10, pp. 17291753, 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. 615634, 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.