Ανάπτυξη λογισμικού και δυναμικής μεθόδου τεχνητής νοημοσύνης ανάλυσης χρονοσειρών και λήψης βέλτιστων αποφάσεων, με εφαρμογές στα συστήματα συναλλαγών

Abstract

Back testing process is widely used today in forecasting experiments tests. This method is to calculate the profitability of a trading system, applied to specific past period. The data which are used, correspond to that specific past period and are called "historical data" or "training data”.There is a plethora of trading systems, which include technical indicators, trend following indicators, oscillators, control indicators of price level, etc. It is common nowadays for calculations of technical indicator values to be used along with the prices of securities or shares, as training data in fuzzy and SVM/SVR systems. Whether the data are used in fuzzy systems, or for SVΜ and SVR systems training, the historical data period selection on most occasions is devoid of validation (In this research we designate historical data as training data).We substantiate that such an expert trading system, has a profitability edge -with regard to future transactions- over currently applied trading strategies that merely implement parameters’ optimization. To that end, first and foremost, an optimal historical data period must be determined, secondarily a parameters optimization computation must be completed and finally the right parameters’ conditions must be applied for optimal parameters’ selection.In this new approach, we develop an intergraded dynamic computation algorithm for selection of optimal historical data period, periodically. In addition, we test parameters’ conditions and values via back-testing, using multi agent technology, integrated in an automated trading expert system based on MACD technical indicator. This dynamic computation algorithm can be used in Technical indicators, Fuzzy, SVR & SVM forecasting systems. The outcome crystalizes in an autonomous intelligent trading system.

Η διεργασία της ανάδρομης δοκιμής (backtesting) χρησιμοποιείται ευρέως σήμερα στην πρόβλεψη με δοκιμαστικά τεστ. Η μέθοδος αυτή χρησιμοποιείται για τον υπολογισμό της κερδοφορίας ενός συστήματος συναλλαγών, εφαρμοζόμενο σε συγκεκριμένη παρελθούσα περίοδο. Τα δεδομένα που χρησιμοποιούνται, αντιστοιχούν σε αυτή την συγκεκριμένη παρελθούσα περίοδο και ονομάζονται "ιστορικά δεδομένα" ή "δεδομένα εκπαίδευσης”.Υπάρχει μία πληθώρα συστημάτων συναλλαγών, τα οποία περιέχουν τεχνικούς δείκτες, δείκτες που ακολουθούν την τάση, ταλαντωτές, δείκτες ελέγχου επιπέδου τιμής, κλπ. Σήμερα συνηθίζεται, για τον υπολογισμό των τιμών των τεχνικών δεικτών να χρησιμοποιείται σε σχέση με τις τιμές των αξιογράφων ή μετοχών, για δεδομένα εκπαίδευσης σε ασαφή συστήματα και σε μηχανές υποστήριξης ανυσμάτων και παλινδρομήσεων (SVM/SVR). Είτε τα δεδομένα χρησιμοποιούνται σε ασαφή συστήματα, ή σε SVΜ και SVR συστήματα εκπαίδευσης, η επιλογή χρονικής περιόδου (διαστήματος) ιστορικών δεδομένων, στις περισσότερες περιπτώσεις στερείται επικύρωσης ή αξιολόγησης (Στην συγκεκριμένη διατριβή, τα ιστορικά δεδομένα λογίζονται ως δεδομένα εκπαίδευσης).Τεκμηριώνουμε ότι ένα τέτοιο σύστημα συναλλαγών, φτάνει στα άκρα της κερδοφορίας –όσο αφορά σε μελλοντικές συναλλαγές- εν συγκρίσει με τις γνωστές στρατηγικές συστημάτων συναλλαγών οι οποίες απλοϊκά ενσωματώνουν βελτιστοποίηση παραμέτρων. Για το σκοπό αυτό, πρώτα από όλα, , μία βέλτιστη περίοδο ιστορικών δεδομένων πρέπει να καθορίζεται, δευτερευόντως πρέπει να ολοκληρώνεται ένας υπολογισμός βελτιστοποίησης παραμέτρων και τέλος οι ορθές συνθήκες παραμέτρων πρέπει να εφαρμόζεται για την επιλογή των βέλτιστων τιμών των παραμέτρων.Σε αυτήν την προσέγγιση, αναπτύσσουμε έναν ολοκληρωμένο δυναμικό αλγόριθμο υπολογισμού επιλογής βέλτιστης περιόδου ιστορικών δεδομένων, περιοδικά. Επιπρόσθετα, δοκιμάζουμε τιμές και σχέσεις παραμέτρων μέσω back-testing, χρησιμοποιώντας τεχνολογία πολλών πρακτόρων, ενσωματωμένα σε ένα αυτοματοποιημένο σύστημα συναλλαγών βασισμένο στον τεχνικό δείκτη MACD. Αυτή η δυναμική μέθοδος υπολογισμού (d-BackTest method) μπορεί να χρησιμοποιηθεί, ανεξάρτητα από το δείκτη MACD, σε άλλους τεχνικούς δείκτες, σε ασαφή, σε SVR & SVM συστήματα πρόβλεψης. Το αποτέλεσμα είναι ένα αυτόνομο σύστημα συναλλαγών τεχνητής νοημοσύνης.