Einfach Gleitende Technische Analyse Pdf

TRIX-Anzeige TRIX ist ein Oszillator für Handelstrends. Wählen Sie eine TRIX-Indikatorperiode aus, die dem Zeitrahmen entspricht, den Sie handeln. Das Kennzeichen hält Sie in Trends, die kürzer oder gleich der Fensterperiode sind. Basierend auf einem dreifach geglätteten gleitenden Durchschnitt des Schlusskurses eliminiert der Indikator Zyklen, die kürzer als die ausgewählte Indikatorperiode sind. Dreifache Glättung reduziert die Volatilität und minimiert die Wahrscheinlichkeit von falschen Signalen, die Sie aus einem Trend zu früh schütteln. TRIX wurde von Jack Huton, Herausgeber von (Technical Analysis of) Stocks und Commodities Magazine entwickelt. Gehen Sie zu lange, wenn TRIX unter Null steht. Gehen Sie kurz, wenn TRIX um Null sinkt. Verwenden Sie eine Signalleitung (einen 9 Tage exponentiellen gleitenden Durchschnitt von TRIX), um falsche Signale zu eliminieren. Warten Sie, bis TRIX die Signalleitung überquert, bevor Sie in den Handel gelangen. Maus über Diagrammbeschriftungen, um Handelssignale anzuzeigen. Vergleiche die Ergebnisse des TRIX-Oszillators mit denen eines einzigen gleitenden Durchschnittssystems unter Verwendung der MA mit Schlusskurs als Filter: Gehe lange L, wenn TRIX über die Signalleitung unterhalb von Null kreuzt. Der Preis schliesst über dem MA 4 Tage früher, aber dann whipsaws uns in und aus mehreren Zeiten bei W. Go kurz S, wenn TRIX kreuzt unterhalb der Signalleitung, während über Null. Im Vergleich dazu ist das MA-Signal X viel später. Es ist offensichtlich, dass TRIX kann eine Reihe von whipsaws, mit nur marginalen Verzögerung in das Signal im Vergleich zu schnelleren Indikatoren zu beseitigen. Siehe Anzeiger für Anweisungen zum Einrichten einer Anzeige. Das Standard-TRIX-Fenster ist 12 Tage. Um die Standardeinstellungen zu ändern - Edit Indicator Settings. Ein Hybrid-Aktienhandel Rahmen Integration der technischen Analyse mit maschinellen Lernmethoden Rajashree Dash a. . 1., Pradipta Kishore Dash b. 2 a Informatik amp Ingenieurwesen, ITER, Siksha lsquoOrsquo Anusandhan Universität, Bhubaneswar, Odisha, 751030, Indien b Siksha lsquoOrsquo Anusandhan Universität, Bhubaneswar, Odisha, 751030, Indien Empfangen am 30. Dezember 2015, überarbeitet am 3. März 2016, angenommen am 8. März 2016 , Online verfügbar 22. März 2016In diesem Papier wird ein neuartiges Entscheidungsunterstützungssystem vorgeschlagen, das ein künstliches neuronales Netzwerk (CEFLANN) eines rechnerisch effizienten funktionalen Links und eine Reihe von Regeln verwendet, um die Handelsentscheidungen effektiver zu gestalten. Hier wird das Problem der Aktienhandel-Entscheidungsvorhersage als Klassifizierungsproblem mit drei Klassenwerten, die die Kauf-, Halte - und Verkaufs-Signale darstellen, artikuliert. Das in dem Entscheidungsunterstützungssystem verwendete CEFLANN-Netzwerk erzeugt einen Satz von kontinuierlichen Handelssignalen innerhalb des Bereichs 0ndash1 durch Analyse der nichtlinearen Beziehung zwischen wenigen populären technischen Indikatoren. Ferner werden die Ausgangshändlersignale verwendet, um den Trend zu verfolgen und die Handelsentscheidung basierend auf diesem Trend unter Verwendung einiger Handelsregeln zu erzeugen. Die Neuheit des Ansatzes ist es, die profitablen Aktienhandel Entscheidungspunkte durch die Integration der Lernfähigkeit des CEFLANN neuronalen Netzes mit den Regeln der technischen Analyse zu erzeugen. Für die Bewertung der potenziellen Nutzung der vorgeschlagenen Methode wird die Modellleistung auch mit einigen anderen maschinellen Lernmethoden wie dem Support Vector Machine (SVM), dem Naive Bayesian Modell, dem K Nearest Nachbar Modell (KNN) und dem Decision Tree (DT) Modell verglichen. Aktienhandel Aktien-Trendanalyse Technische Indikatoren CEFLANN 1. Einleitung Mit dem Zeitalter der ökonomischen Globalisierung und der Einrichtung der digitalen Technologie haben Generation und Akkumulation von Finanzdaten in noch nie dagewesenem Maße erreicht. Das schnell wachsende Datenvolumen hat die Fähigkeit eines Menschen, diese manuell zu analysieren, weit übertroffen. Auch die finanziellen Zeitreihen sind aufgrund der langfristigen Trends, der zyklischen Schwankungen, der saisonalen Schwankungen und der irregulären Bewegungen komplizierter als andere statistische Daten. Diese sind stark von vielen externen Faktoren, wie viele sehr miteinander verknüpften wirtschaftlichen, politischen, sozialen und auch wenn das psychologische Verhalten des Investors betroffen. Das kontinuierliche Wachstum derart stark fluktuierender und unregelmäßiger Daten hat die kritische Notwendigkeit für die Entwicklung von mehr automatisierten Ansätzen für eine effiziente Analyse solcher massiven Finanzdaten zur Extraktion von aussagekräftigen Statistiken daraus hervorgehoben. Als ein Prozess der Erforschung nützlichen versteckten Wissens, Data Mining hat seine eigene Nische in der finanziellen Zeitreihe Analyse geschnitzt. Es bietet Wege für Investoren, proaktive und wissensbasierte Entscheidungen zu treffen, um einen erfolgreichen Gewinn mit geringerem Investitionsrisiko zu erzielen. Gewinnen von hohem Gewinn ist das Endziel eines Investors, der am Finanzmarkt teilnimmt. Es gibt so viele Anlagemöglichkeiten wie Handel (d. H. Kauf und Verkauf) von Anleihen, Aktien, Devisen und Edelmetallen etc., die auf einem Finanzmarkt vorhanden sind. Handel am Aktienmarkt ist einer der beliebtesten Kanäle der Finanzinvestitionen. Investoren an der Börse können ihren Gewinn durch den Kauf oder Verkauf ihrer Investition zur richtigen Zeit zu maximieren. Der Schlüssel zur Realisierung hoher Gewinne im Aktienhandel ist es, die geeignete Handelszeit mit dem minimalen Handelsrisiko herauszufinden. Aber es ist immer schwer zu entscheiden, die beste Zeit zu kaufen oder zu verkaufen aufgrund der stark schwankenden und dynamischen Verhalten der Börse. Technische Indikatoren sind das primäre Interesse für die meisten Forscher, die Aktienkurse zu überwachen und Investoren bei der Einrichtung von Handelsregeln für buyndashsellndashhold Entscheidungen zu unterstützen. Technische Indikatoren werden auf Basis historischer Bestandsdaten erstellt. So Handel Entscheidung auf der Grundlage von bestimmten technischen Indikatoren kann nicht immer mehr rentabel. In der Literatur wurden verschiedene Data Mining und Tools für künstliche Intelligenz angewendet, um technische Indikatoren zu analysieren, um die besten Handelssignale zu finden. 1. 2. 3 xA0andxA04 Gewinne oder Verluste aus dem Aktienhandel hängen letztlich von der Analyse der künftigen Bewegung von stark schwankenden und unregelmäßigen Aktienkurswerten ab. Eine erfolgreiche Klassifizierung von Auf - und Abbewegungen der Aktienkursindexwerte kann nicht nur für die Investoren hilfreich sein, um effektive Handelsstrategien zu entwickeln, sondern auch für die Überwachung des Aktienmarktes. Die Verfolgung von Aufschwüngen und Abschwüngen über die Geschichte einzelner Aktien wird die Unsicherheit im Zusammenhang mit Investitionsentscheidungen reduzieren. Investoren können die besten Zeiten zum Kauf und Verkauf der Aktie durch richtige Analyse der Aktien-Trends zu wählen. In der Literatur gibt es eine Reihe von Modellen, die technische Analysen mit computergesteuerten intelligenten Techniken kombinieren, um die Kursbewegungen der Aktienkurse zu prognostizieren 5. 6 xA0undxA07 Patra, Thanh, amp Meher, 2009). In dieser Studie wird das Problem der Aktienhandel-Entscheidungsvorhersage als Klassifizierungsproblem mit drei Klassenwerten, die die Kauf-, Halte - und Verkaufs-Signale darstellen, artikuliert. Das wichtigste Ziel dieser Studie ist die Entwicklung eines neuartigen Entscheidungsunterstützungssystems unter Verwendung eines rechnerisch effizienten funktionellen Link künstlichen neuronalen Netzes (CEFLANN) und einer Reihe von Regeln auf der Grundlage der technischen Analyse, um die Handelsentscheidungen effektiver zu generieren. Anstatt das CEFLANN-Netzwerk mit dem traditionellen Back-Propagation-Algorithmus zu trainieren, wird das ELM-Lernen für das Netzwerk vorgeschlagen. Als Eingangsmerkmale für das vorgeschlagene Modell werden sechs beliebte technische Indikatoren verwendet, die aus den historischen Aktienindexpreiswerten berechnet werden. Das CEFLANN-Netzwerk wird angewendet, um die nichtlineare Beziehung zwischen den technischen Indikatoren und Handelssignalen zu erfassen. Anstatt diskrete Klassenwerte während des Trainings des Netzwerks zu verwenden, wird ein kontinuierliches Handelssignal im Bereich 0ndash1 dem Netzwerk zugeführt. Die neuen Handelssignale im Bereich 0ndash1 können detaillierte Informationen über den Aktienhandel zu den ursprünglichen Kursschwankungen liefern. Darüber hinaus werden die Outputs aus dem CEFLANN-Modell in eine einfache Handelsstrategie mit Kauf-, Halte - und Verkaufssignalen nach geeigneten Regeln transformiert. Die Modellleistung wird anhand des in der Testperiode ermittelten Gewinnprozentsatzes bewertet. Das CEFLANN-Modell wird auch mit einigen anderen bekannten maschinellen Lernmethoden wie der Unterstützungsvektormaschine (SVM), 5 verglichen. 6. 8 xA0undxA09 Naive Bayesisches Modell, K Nachbarmodell (KNN) 2 xA0andxA09 und Entscheidungsbaum (DT) 10 Modell. Der Rest des Papiers ist in den folgenden Abschnitten organisiert. In Abschnitt 2 werden die relevanten Bewertungen zu verschiedenen maschinellen Lerntechniken des Aktienhandels dargestellt. Abschnitt 3 enthält die Details des CEFLANN-Netzes, gefolgt von den Einzelheiten des ELM Learning in Abschnitt 4. Abschnitt 5 beschreibt die detaillierten Schritte des Entscheidungsunterstützungssystems für die Erzeugung von Aktienhandelsentscheidungspunkten. Abschnitt 6 zeigt die experimentellen Ergebnisse der Vergleichsanalyse. Schließlich enthält Abschnitt 7 die abschließenden Bemerkungen. 2. Literaturerhebung Obwohl die meisten der finanziellen Zeitreihenanalyse Vorhersage des Aktienkurses oder der Fluktuation beinhalten, ist der Börsenhandel ein weiterer populärer Forschungsbereich. Gewinne oder Verluste aus dem Aktienhandel hängen letztlich von der Analyse der künftigen Bewegung von stark schwankenden und unregelmäßigen Aktienkurswerten ab. In der Literatur steht eine Reihe von Modellen zur Verfügung, die technische Analysen mit computergesteuerten intelligenten Techniken kombinieren, um die Kursbewegungen von Aktienkursen und den Aktienhandel vorhersagen zu können. In Fig. 11 wird ein neues Handelsumfeld eingeführt, das die Leistungsfähigkeit von verstärkungsbasierten Handelssystemen steigert, um Kauf - und Verkaufsvorschläge für Anleger in ihren täglichen Aktienhandel zu machen, um so ihren Gewinn am dynamischen Aktienmarkt zu maximieren. In Fig. 12 wird ein neues Modell unter Verwendung von Piecewise Linear Representations (PLR) und Künstliche Neuronale Netze (ANNs) vorgeschlagen, um die nichtlinearen Beziehungen zwischen dem geschlossenen Aktienkurs und verschiedenen technischen Indizes zu analysieren und das Wissen über Handelssignale, die in historischen Daten versteckt sind, zu erfassen. Das gelernte ANN-Modell wird verwendet, um die zukünftigen Handelssignale auf einer täglichen Basis vorherzusagen. Zweitens wird eine Handelsentscheidung durch die Entwicklung eines dynamischen Schwellenentscheidungssystems ausgelöst. Ein weiteres Prognosemodell, das das fallbasierte dynamische Fenster (CBDW) und das neuronale Netzwerk integriert, wird von 13 angewandt, um die richtigen Wendepunkte im Aktienhandel vorherzusagen, um so den Investitionsertrag zu maximieren. In Fig. 2 wird ein Verfahren vorgeschlagen, das gemeinsam den bekannten k-NN-Klassierer und einige gemeinsame technische Analysewerkzeuge wie technische Indikatoren, Stopverluste, Stoppverstärkung und RSI-Filter verwendet, um die Machbarkeit eines intelligenten Handelssystems im realen Markt zu untersuchen Bedingungen, unter Berücksichtigung realer Unternehmen der Satildeo Paulo Stock Exchange und Transaktionskosten. Ein effektives Handelssignal-Erfassungssystem unter Verwendung von Piecewise Linear Representations (PLR) und Künstliche Neuronale Netze (ANNs) wird in 14 vorgeschlagen, um das Wissen der Handelssignale, die in historischen Preisen verborgen sind, zu erfassen, indem die nichtlinearen Beziehungen zwischen dem geschlossenen Aktienkurs und verschiedenen technischen Indizes analysiert werden. Die Handelsentscheidung im Modell wird weiter durch eine dynamische Schwellengrenze ausgelöst, die dazu beiträgt, während des Handels einen signifikanten Gewinn zu erzielen. In Fig. 3 ein Handelssystem, das auf fundamentaler oder chartistischer Analyse basiert, soll die Anlagetechniken verbessern. Der Grundgedanke des Systems ist es, Handelspunkte auf der Grundlage eines finanziellen Indikators zu erzeugen, nämlich eines relativen Stärkeindex, der durch ein vorwärtsgerichtetes neuronales Netzwerk weiter berechnet wird. Ein anderes intelligentes Handelssystem, das die technische Analyse, den künstlichen Bienenkoloniealgorithmus (ABC), eine Auswahl von vergangenen Werten, die nächste Nachbar-Klassifikation (k-NN) und ihre Variation, die Adaptive Classification und Nearest Neighbor, erörtert, wird diskutiert Fuzzy-Zeitreihenmodell auf der Grundlage eines Entropie-basierten Partitionierungs - und Adaptiv-Erwartungsmodells hat seine Überlegenheit gegenüber anderen konventionellen Fuzzy-Zeitreihenmodellen bei der Erzeugung von Entscheidungsregeln als Investitionsreferenzen für Aktieninvestoren gezeigt.