Comparison of Genetic Algorithms for Trading Strategies
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F14%3A00213316" target="_blank" >RIV/68407700:21240/14:00213316 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-04298-5" target="_blank" >http://dx.doi.org/10.1007/978-3-319-04298-5</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-04298-5" target="_blank" >10.1007/978-3-319-04298-5</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Comparison of Genetic Algorithms for Trading Strategies
Popis výsledku v původním jazyce
In this contribution, we describe and compare two genetic systems which create tading strategies. The first systém is based on the idea that the connection weight matrix of a neural network represents the genotype of and individual and can be changed bygenetic algorithm. The second systém uses genetic programming to derive trading strategies. As input data in our experiments, we used technical indicators of NASDAQ stocks. As output, the algorithms generate trading strategies, i.e. buy, hold, and sell signals. Our hypothesis that strategies obrained by genetic programming bring better results than buy-and-hold stratégy has been proven as statistically significant. We discuss our results and compare them to our previous experiments with fuzzy technology, fractal approach, and with simple technical indicator strategy.
Název v anglickém jazyce
Comparison of Genetic Algorithms for Trading Strategies
Popis výsledku anglicky
In this contribution, we describe and compare two genetic systems which create tading strategies. The first systém is based on the idea that the connection weight matrix of a neural network represents the genotype of and individual and can be changed bygenetic algorithm. The second systém uses genetic programming to derive trading strategies. As input data in our experiments, we used technical indicators of NASDAQ stocks. As output, the algorithms generate trading strategies, i.e. buy, hold, and sell signals. Our hypothesis that strategies obrained by genetic programming bring better results than buy-and-hold stratégy has been proven as statistically significant. We discuss our results and compare them to our previous experiments with fuzzy technology, fractal approach, and with simple technical indicator strategy.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JD - Využití počítačů, robotika a její aplikace
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
V - Vyzkumna aktivita podporovana z jinych verejnych zdroju
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
SOFSEM 2014: Theory and Practice of Computer Science
ISBN
978-3-319-04297-8
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
12
Strana od-do
383-394
Název nakladatele
Springer International Publishing AG
Místo vydání
Cham
Místo konání akce
Nový Smokovec
Datum konání akce
25. 1. 2014
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000342283300034