view in publisher's site

Algorithmic Trading Strategy Optimization Based on Mutual Information Entropy Based Clustering

Algorithmic trading strategies are automated defining a sequence of instructions executed by a computer. A good strategy should be profitable which includes identification of what to trade and how to trade. In this paper, we focus on the study of algorithmic trading strategy optimization and propose a strategy optimization model based on an initialized strategy pool. In order to get a better strategy, a mutual information entropy based clustering algorithm is employed to analyze the correlations among the stocks and a reward and punishment scheme is also set up for updating the latest transaction data in the strategy optimization process. Experimental results on several different groups of stocks showed that in most cases, this optimization model can find a profitable strategy swiftly.

بهینه‌سازی استراتژی تجاری الگوریتمی براساس طبقه‌بندی مبتنی بر آنتروپی اطلاعات متقابل

استراتژی‌های تجاری الگوریتمی خودکار تعریف توالی دستورها اجرا شده توسط یک کامپیوتر هستند. یک استراتژی خوب باید سودآور باشد که شامل شناسایی آنچه برای تجارت و نحوه تجارت می‌شود را شامل می‌شود. در این مقاله، ما بر روی مطالعه بهینه‌سازی استراتژی تجارت الگوریتمی تمرکز می‌کنیم و یک مدل بهینه‌سازی استراتژی مبتنی بر یک مخزن استراتژی اولیه پیشنهاد می‌کنیم. برای رسیدن به یک استراتژی بهتر، از یک الگوریتم خوشه‌بندی مبتنی بر آنتروپی اطلاعات متقابل برای تحلیل همبستگی بین سهام و یک طرح پاداش و مجازات برای به روز رسانی آخرین داده‌های تراکنشی در فرآیند بهینه‌سازی استراتژی استفاده می‌شود. نتایج تجربی در چند گروه مختلف از سهام نشان داد که در بیشتر موارد، این مدل بهینه‌سازی می‌تواند به سرعت یک استراتژی سودآور پیدا کند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.