22、金融趋势反转检测与交易规则优化研究

金融趋势反转检测与交易规则优化研究

1. 引言

在金融市场中，先进的机器学习和优化方法有着广泛的应用，其中遗传编程（GP）在金融和经济学领域的研究中愈发流行。技术分析是通过研究历史市场价格数据来预测股票价格未来走势的方法，它基于市场中存在模式和趋势这一原理，利用移动平均线、相对强弱指标等工具进行分析。

GP在技术分析中的应用，通常是将技术指标“原语”与其他数学运算相结合形成交易规则。早期的研究如Chen和Yeh、Allen和Karjalainen等，虽然GP能找到在未知未来数据上盈利的规则，但这些规则往往无法超越“买入并持有”这一简单交易策略。不过，也有少量研究找到了能超越“买入并持有”的规则，例如Becker和Seshadri的工作，他们对Allen和Karjalainen的方法进行了修改，采用了月度交易而非每日交易。本文将测试Becker和Seshadri方法的改进版本，探讨月度、周度和每日交易的情况。

2. 粒子群优化算法（PSO）与负选择算法（NS）

2.1 粒子群优化算法（PSO）

PSO算法用于优化探测器，其目标是获得一组探测器，每个探测器能最优地覆盖一部分点。算法流程如下：

1: dataset ←load dataset()
2: not covered points ←size(dataset)
3: detectors set ←∅
4: while not covered points > 0 do
5:     BEST DETECTOR ← PSO ALGORITHM(dataset, particles numb