توضیحات کامل :

ترجمه مقاله سرمایه گذاری سهام با برنامه نویسی بیان ژن در  تایوان در 11 صفحه فارسی ورد قابل ویرایش با فرمت doc به همراه اصل مقاله انگلیسی



عنوان فارسی :

سرمایه گذاری سهام با برنامه نویسی بیان ژن در  تایوان

عنوان انگلیسی :

Taiwan stock investment with gene expression programming

تعداد صفحات فارسی : 14 صفحه ورد قابل ویرایش

سطح ترجمه : متوسط

شناسه کالا : arr

دانلود رایگان مقاله انگلیسی : http://ofmas.ir/dlpaper/arr.pdf

دانلود ترجمه فارسی مقاله : بلافاصله پس از پرداخت آنلاین 10 هزار و 500 تومان قادر به دانلود خواهید بود .


بخشی از ترجمه :


چکیده
در این مقاله، ما برای اولین بار برخی از استراتژی های تجارت خوب از مجموعه های تاریخی و اعمال آنها را در آینده  یافته ایم . این استراتژی های سودآور هستند و توسط برنامه نویسی بیان ژن (GEP)، که شامل برخی از شاخص های فنی سهام شناخته شده  می باشد به عنوان ویژگی های آموزش  ارائه می شوند . مجموعه داده های ما جمع آوری 100 سهام با سرمایه بالا از شرکت های ذکر شده  در بازار سهام تایوان می باشد . بر این اساس، ما ساخت یک سری جدید به نام شاخص نمونه کارها به عنوان هدف سرمایه گذاری را بر عهده داریم . برای هر روز معامله، ما برخی از فواصل قالب مشابه از اطلاعات تاریخی را  جستجو کرده و انتخاب استراتژی های تجارت مربوط به فضای این استراتژی ها می باشد . این استراتژی بازگشتی برای روزهای تجاری خوب بوده  است  . سپس این استراتژی مناسب تصمیم گیری سیگنال خرید یا فروش اجماع با رای اکثریت در روز تجاری را بر عهده دارد . دوره آموزش از 1996/01/06 به 2012/12/28، و دوره آزمایش از 2000/01/04 به 2012/12/28 بوده است .  دو آزمایش شبیه سازی انجام شده و  در آزمایش 1، بهترین بازده متوسط انباشته 548.97٪  بوده است  (به طور متوسط بازگشت سالانه 15.47٪ است). در آزمایش 2، ما تنوع استراتژی های معاملاتی را با  افزایش و آموزش بیشتر خواهیم داشت . بهترین بازده متوسط انباشته شده  685.31 درصد افزایش یافته است (به طور متوسط بازگشت سالانه 17.18٪ است). این دو نتیجه بسیار بهتر از استراتژی فروش و نگه داشتن، بازگشت 287.00٪  خواهد بود .



Abstract

In this paper, we first find out some good trading strategies from the historical series and apply them in the future. The profitable strategies are trained out by the gene expression programming (GEP), which involves some well-known stock technical indicators as features. Our data set collects the 100 stocks with the top capital from the listed companies in the Taiwan stock market. Accordingly, we build a new series called portfolio index as the investment target. For each trading day, we search for some similar template intervals from the historical data and pick out the pertained trading strategies from the strategy pool. These strategies are validated by the return during a few days before the trading day to check whether each of them is suitable or not. Then these suitable strategies decide the buying or selling consensus signal with the majority vote on the trading day. The training period is from 1996/1/6 to 2012/12/28, and the testing period is from 2000/1/4 to 2012/12/28. Two simulation experiments are performed. In experiment 1, the best average accumulated return is 548.97% (average annualized return is 15.47%). In experiment 2, we increase the diversity of trading strategies with more training. The best average accumulated return is increased to 685.31% (average annualized return is 17.18%). These two results are much better than that of the buy-and-hold strategy, whose return is 287.00%.