view in publisher's site

Enhancing Profitability through Interpretability in Algorithmic Trading with a Multiobjective Evolutionary Fuzzy System

This paper examines the interaction of decision model complexity and utility in a computational intelligence system for algorithmic trading. An empirical analysis is undertaken which makes use of recent developments in multiobjective evolutionary fuzzy systems (MOEFS) to produce and evaluate a Pareto set of rulebases that balance conflicting criteria. This results in strong evidence that controlling portfolio risk and return in this and other similar methodologies by selecting for interpretability is feasible. Furthermore, while investigating these properties we contribute to a growing body of evidence that stochastic systems based on natural computing techniques can deliver results that outperform the market.

افزایش Profitability از طریق interpretability در تجارت الگوریتمی با یک سیستم فازی تکاملی Multiobjective

این مقاله تعامل پیچیدگی مدل تصمیم‌گیری و سودمندی را در یک سیستم اطلاعاتی محاسباتی برای تجارت الگوریتمی مورد بررسی قرار می‌دهد. یک تحلیل تجربی انجام می‌شود که از پیشرفت‌های اخیر در سیستم‌های فازی تکاملی چند منظوره (MOEFS)برای تولید و ارزیابی مجموعه پارتو از rulebases که معیارهای متضاد را متعادل می‌کنند استفاده می‌کند. این نتایج به شواهد قوی نشان می‌دهد که کنترل ریسک اوراق بهادار و بازده در این و دیگر روش‌های مشابه با انتخاب ویژگی، عملی است. علاوه بر این، در حالی که در حال بررسی این ویژگی‌ها به یک بدنه رو به رشد شواهدی می‌پردازیم که سیستم‌های تصادفی مبتنی بر تکنیک‌های محاسبات طبیعی می‌توانند نتایجی را ارایه کنند که بهتر از بازار عمل می‌کنند.

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.