Dissertação

{en_GB=Applying Genetic Algorithms with Speciation for Optimization of Grid Template Pattern Detection in Financial Markets} {} EVALUATED

{pt=Esta tese apresenta uma nova abordagem no âmbito da computação financeira através da combinação de uma técnica de reconhecimento de padrões aliada a um procedimento de otimização baseado na computação evolucionária, mais concretamente em Algoritmos Genéticos. Para a deteção de padrões, será adotada uma abordagem baseada em modelos e utilizando uma grelha de pesos fixa para descrever os padrões de negociação desejados, que terá em conta não só o preço de fecho do mercado, como também as variações do mesmo no tempo em cada intervalo de tempo da série temporal. As pontuações atribuídas aos campos da grelha de pesos serão otimizados pelo Algoritmo Genético e, ao mesmo tempo, a diversidade genética das diferentes possíveis soluções será preservada usando uma técnica de especiação, dando assim tempo para os indivíduos serem otimizados dentro do seu próprio nicho. A adoção desta abordagem tem como objetivo reduzir o risco de investimento e verificar se supera abordagens semelhantes. O sistema foi testado considerando dados reais do mercado de ações S&P 500 e contra outras soluções existentes, como a grelha de pesos adaptável e uma abordagem sem espécies. A solução desenvolvida usando a grelha de pesos obteve 21.3% de retorno médio sobre o período de teste comparado com os apenas 10.9% da solução existente, e o uso de especiação melhorou alguns dos resultados de treino visto que a diversidade genética foi tomada em consideração., en=This thesis presents a new computational finance approach. It combines a pattern recognition technique allied to an evolutionary computation optimization kernel based on Genetic Algorithms. For pattern matching, a template based approach using a fixed size grid of weights is adopted to describe the desired trading patterns, taking not only the closing price into consideration, but also the variation of price in each considered time interval of the time series. The scores assigned to the grid of weights will be optimized by the Genetic Algorithm and, at the same time, the genetic diversity of possible solutions will be preserved using a speciation technique, giving time for individuals to be optimized within their own niche. The adoption of this approach has the goal of reducing the investment risk and check if it outperforms similar approaches. This system was tested considering real data from S&P 500 stock market and against state-of-the-art solutions, namely the existing adaptable grid of weights and a non speciated approach, considering real data from the stock market. The developed approach using the grid of weights had 21.3% of average return over the testing period against 10.9% of the existing approach and the use of speciation improved some of the training results as genetic diversity was taken into consideration.}
{pt=Algoritmo Genético, Especiação, Descoberta de Padrões, Grelha de Pesos, Otimização, Mercados Financeiros, en=Genetic Algorithm, Speciation, Pattern Discovery, Grid of Weights, Optimization, Financial Markets}

Outubro 30, 2018, 13:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar