Аннотация:
Описан подход для оптимизации торговых стратегий (алгоритмов), основанный на анализе финансовых временных рядов, индикаторах финансовых рынков и эволюционных вычислениях. Предложено использование новой версии алгоритма дифференциальной эволюции для поиска оптимальных параметров торговых стратегий при максимизации их доходности. Экспериментальные результаты показывают, что этот подход может улучшить в несколько раз доходность торговых стратегий.
Образец цитирования:
О. Г. Монахов, Э. А. Монахова, M. Пант, “Применение алгоритма дифференциальной эволюции для оптимизации стратегий на основе финансовых временных рядов”, Сиб. журн. вычисл. матем., 19:2 (2016), 195–205; Num. Anal. Appl., 9:2 (2016), 150–158
Pooja Tiwari, Vishnu Narayan Mishra, Raghav Prasad Parouha, “Modified differential evolution to solve systems of nonlinear equations”, OPSEARCH, 2024
Yajiao Tang, Zhenyu Song, Yulin Zhu, Maozhang Hou, Cheng Tang, Junkai Ji, “Adopting a dendritic neural model for predicting stock price index movement”, Expert Systems with Applications, 205 (2022), 117637
V. Yadav, A. K. Yadav, M. Kaur, D. Singh, “Dual preferred learning embedded asynchronous differential evolution with adaptive parameters for engineering applications”, Sadhana-Acad. Proc. Eng. Sci., 46:3 (2021), 180
R. D. Al-Dabbagh, F. Neri, N. Idris, M. S. Baba, “Algorithmic design issues in adaptive differential evolution schemes: review and taxonomy”, Swarm Evol. Comput., 43 (2018), 284–311
Vaishali, Tarun K. Sharma, “Modified Mutation in Asynchronous Differential Evolution”, International Journal of Applied Evolutionary Computation, 9:1 (2018), 52