اللحظي عالية التردد في الفوركس تداول مع غامض الاستدلال أنظمة التكيف العصبي ،

تداول الفوركس عالي التردد خلال اليوم مع أنظمة الاستدلال العصبي الضبابي التكيفي عبد الله كابلان و وينغ لون نغ الملخص: تقدم هذه الورقة نظام الاستدلال العصبي التكاملي (أنفيس) للتداول المالي، والذي يتعلم التنبؤ بتحركات الأسعار من بيانات التدريب المكونة من اللحظي بيانات القراد عينات في وتيرة عالية. البيانات التجريبية المستخدمة في تحقيقنا هي خمس دقائق في منتصف الوقت سلسلة من أسواق الفوركس. ويتضمن تحسين نظام أنفيس اختبارا للاختبار الخلفي فضلا عن تفاوت عدد الحقب، ويجمع مع طريقة جديدة لالتقاط التقلبات باستخدام نهج يحركه الحدث ويأخذ في الاعتبار التغيرات الاتجاهية ضمن عتبات محددة سلفا. وتبين النتائج أن النموذج المقترح يتفوق على الاستراتيجيات المعيارية مثل الشراء والاستبقاء أو التنبؤ الخطي. التنزيلات: (رابط خارجي) indersciencelink. phpid38529 (تكستمل) يقتصر الوصول إلى النص الكامل للمشتركين. الأعمال ذات الصلة: هذا البند قد تكون متاحة في مكان آخر في إكونبابيرس: البحث عن العناصر التي تحمل نفس العنوان. تصدير المراجع: بيبتكس ريس (إندنوت، بروسيت، ريفمان) هتملتكست المزيد من المقالات في المجلة الدولية للأسواق المالية والمشتقات من إندرزسيانس إنتربريسس لت بيانات السلسلة التي يحتفظ بها دارين سيمبسون (). هذا الموقع هو جزء من ريبيك وجميع البيانات المعروضة هنا هي جزء من مجموعة البيانات ريبيك. هل عملك مفقود من ريبيك هنا هو كيفية المساهمة. أسئلة أو مشاكل تحقق إكونبابيرس التعليمات أو إرسال البريد إلى. إنتراداي عالية التردد تداول العملات الأجنبية مع التكيف الاستدلال العصبية غامض النظم. عبد الله كابلان و وينغ لون نغ ترانسكريبتيون 1 68 إنت. ج. الأسواق المالية والمشتقات، المجلد. 2، رقم 12، 2018 تداول الفوركس عالي التردد اليومي مع أنظمة الاستدلال العصبي الضبابي التكيفي عبد الله كابلان ومركز وينغ لون نغ للحوسبة المالية والوكلاء الاقتصاديين، جامعة إسكس، ويفنهو بارك، كولشستر، CO4 3SQ، المملكة المتحدة مؤلف المقابلة الملخص: تقدم هذه الورقة نظام الاستدلال العصبي الضبابي التكاملي (أنفيس) للتداول المالي، والذي يتعلم التنبؤ بتحركات الأسعار من بيانات التدريب التي تتكون من بيانات القراد اللحظي التي يتم أخذ عينات منها على تردد عال. البيانات التجريبية المستخدمة في تحقيقنا هي خمس دقائق في منتصف الوقت سلسلة من أسواق الفوركس. ويتضمن تحسين نظام أنفيس اختبارا للاختبار الخلفي فضلا عن تفاوت عدد الحقب، ويجمع مع طريقة جديدة لالتقاط التقلبات باستخدام نهج يحركه الحدث ويأخذ في الاعتبار التغيرات الاتجاهية ضمن عتبات محددة سلفا. وتبين النتائج أن النموذج المقترح يتفوق على الاستراتيجيات المعيارية مثل الشراء والاستبقاء أو التنبؤ الخطي. كلمات البحث: التداول المالية عالية التردد التكيف نظام الاستدلال العصبي غامض أنفيس أسواق الصرف الأجنبي الموسمية اللحظية. وينبغي الرجوع إلى هذه الورقة على النحو التالي: كابلان، أ. أند نغ، W. L. (2018) تداول الفوركس عالي التردد خلال اليوم مع أنظمة الاستدلال العصبي الضبابي التكيفي، إنت. ج. الأسواق المالية والمشتقات، المجلد. 2، العدد 12، ص ملاحظات السيرة الذاتية: تتضمن اهتمامات عبد الله كابلان البحثية الذكاء الاصطناعي وتطبيقاته في الهندسة المالية. وتشمل أبحاثه أيضا تطبيقات الاستدلال والنظم العصبية غامض لاتخاذ القرارات المالية. الجناح لون نغ هو محاضر في المالية عالية التردد. وتشمل اهتماماته البحثية الاقتصاد القياسي المالي والتمويل الحسابي وتطبيقاتها في التحليل التجريبي للأسواق التجريبية. 1 مقدمة حاول المستثمرون والتجار الماليون دائما التنبؤ بحركة أسواق الأسهم (مثل شولميستر، 2009). التداول المالي نفسه مضمن في بنية معقدة لا تنطوي فقط على ديناميات تشكيل الأسعار ولكن أيضا المجهرية السوق نفسها. معلومات السوق والأخبار والعوامل الخارجية تؤثر على قرارات التداول للمستثمرين فيما يتعلق بالشراء والبيع. عادة ما يكون من الصعب التعرف على نمط السعر أو إخطاره أو تصنيفه بغض النظر عن نوع السوق المالية الفعلية. حقوق الطبع والنشر 2018 إندرسسينس إنتربريسس Ltd. 2 تداول الفوركس عالي التردد اليومي مع أنفيس 69 درس (مورفي، 1986). تقدم هذه الورقة نموذجا يحاول أن يثبت أن الذكاء الاصطناعي والحوسبة الناعمة مثل نظام الاستدلال العصبي الضبابي (أنفيس) يمكن أن يوفر حلا رئيسيا في مثل هذه المهام. إن نهج المنطق الضبابي المستوحى من نموذج التفكير البشري الذي تستخدم فيه المصطلحات اللغوية، ويتم التلاعب في الكميات الغامضة (بدلا من الهشة)، يتم دمجها في أنظمة عصبية غامضة مع قدرة التعرف على الأنماط للشبكات العصبية (انظر كونستانتاراس إت آل 2006 سيويل، 2018). وقد أدى التصعيد الأخير في القدرة الحاسوبية إلى زيادة كبيرة في توافر البيانات والمعلومات. أجهزة الكمبيوتر، وأجهزة الاستشعار وقنوات المعلومات تتطور بشكل أسرع، والبيانات أسهل لجمع من أي وقت مضى. نظرا لتوافر المعلومات في الوقت الحقيقي كتاب النظام في الوقت الحاضر، والفرق في صنع القرار والمخاطر بين مختلف التجار يمثل عملية معقدة تؤثر على ظروف السوق. تجارة عالية التردد هو الانضباط الجديد في التداول المالي حيث يتم تحليل الاتجاهات في القراد عن طريق القراد الأزياء واتخاذ القرارات البيع والبيع وبالتالي اتخاذها. ولذلك، فإن تطبيق نظام يوفر وسيلة لالتقاط تحركات السوق والتنبؤ بها على مستوى الوقت الفعلي من شأنه أن يساعد على تحسين سجل التداول المالي للمستثمر) انظر داكاروغنا وآخرون 2001 ديمبستر أند جونز، 2001 (. تقترح هذه الورقة تقنية معالجة وتصفية جديدة لم تتم مناقشتها أو تنفيذها بشكل كامل في المؤلفات الحالية لدراسة استقصائية حديثة حول استراتيجيات التداول ونظم التداول، انظر ألدريدج (2009)، شولميستر (2009)، ييه إت آل. (2018)، والمراجع الواردة فيه. تقليديا، تركز معظم خوارزميات التنبؤ الواردة في الأدب على استخراج البيانات وهو دمج الإحصاءات ونماذج التعلم الآلي وتحليل النظم الديناميكية (على سبيل المثال هيلستروم و هولمسترولم، 1998 كاسابوف أند سونغ، 2002). وعالوة على ذلك، ونظرا ألن السلاسل الزمنية املالية غالبا ما تكون صاخبة جدا، يجب أن تزيل عملية الترشيح هذه الضوضاء من اإلشارة) شين، 2005 (. وقد تم اختيار بنية أنفيس لهذا النظام التجاري الآلي لأنه يظهر أداء عالي جدا في نمذجة الوظائف غير الخطية وفي تحديد المكونات غير الخطية (دينايومل وآخرون 2007). يستخدم نظام أنفيس المالي المقترح خوارزمية للتعلم المختلط، وهو قادر على بناء مخطط فريد للمدخلات والمخرجات يستند إلى المعرفة البشرية (قواعد غامضة) وأزواج بيانات المدخلات والمخرجات (كاستيلو وآخرون، 2006). كما أظهرت نتائج ممتازة في التنبؤ بالسلاسل الزمنية (انظر جانغ، 1993 كاسابوف أند سونغ، 2002). وبالإضافة إلى ذلك، وبما أن النظام التجاري يتعامل مع البيانات اللحظية، فإن إدخال البيانات إلى النظام يجب أن يكون غير سليم بطريقة محددة من أجل فصل العنصر الحاسم في السلسلة الزمنية، حيث أنه سيؤدي إلى خلاف ذلك إلى إدخال الترابط الذاتي الهامشي. يتم تنفيذ عملية إزالة الأحماض باستخدام مقياس جديد قائم على الحدث من التقلب (غلاتفيلدر وآخرون، 2018). يتم تنظيم تذكير ورقة على النحو التالي. ويقدم القسم 2 المنهجية. ويعرض القسم 3 البيانات التجريبية والنتائج. ويختتم القسم 4. 2 المنهجية في ما يلي، يصف القسم 2.1 أولا تصميم وهندسة أنفيس التي أدخلها أصلا جانغ (1993). ثم توسع القسم 2.2 على استخدام أنفيس للتداول المالي. ويقدم القسم 2.3 مقياسا قائما على الحدث للتذبذب ليتم تغذيته في نظام أنفيس للقبض على الموسمية اللحظية ولتحسين جدول التداول. 3 70 ألف - كابلان أند W. L. نغ 2.1 إطار أنفيس أنفيس هو شبكة تكيفية من العقد وروابط اتجاهية مع قواعد التعلم المرتبطة بها. النهج يتعلم قواعد وظائف العضوية من البيانات (تاكاجي وسوجينو، 1985). ويسمى التكيف لأن بعض أو كل العقد لها معلمات تؤثر على إخراج العقدة. وتحدد هذه الشبكات وتعلم العلاقات بين المدخلات والمخرجات، ولديها قدرة عالية على التعلم وخصائص تعريف وظائف العضوية. وعلى الرغم من أن الشبكات التكيفية تغطي عددا من النهج المختلفة، فإننا سنجري، لأغراضنا، تحقيقا مفصلا للطريقة التي اقترحها جانغ وآخرين. (1997) مع العمارة المبينة في الشكل 1. الشكل 1 بنية أنفيس لنظامين سوجينو (انظر النسخة الإلكترونية للألوان) طبقة 1 طبقة 2 طبقة 3 طبقة 4 طبقة 5 زا 1 w 1 w 1 w 1 f 1 A 2 فيب 1 w 2 w 2 w 2 f 2 B 2 العقد الدائرية لها علاقة ثابتة للإخراج والمخرجات، في حين أن العقد المربعة لها معلمات يمكن تعلمها. يتم تعريف القواعد النموذجية الغامضة على أنها عبارة مشروطة في النموذج: إذا كان X هو A1، ثم Y هو B 1. (1) إذا كانت X هي A2، فإن Y هي B 2. (2) X و Y هي متغيرات لغوية A i و B هي قيم لغوية تحددها مجموعات غامضة على أكوان معينة من الخطاب X و Y على التوالي. ومع ذلك، في أنفيس نستخدم نظام تاكاجي-سوجينو الأول (تاكاجي و سوجينو، 1985)، وهو: إذا كان X هو A و Y هو B، ثم f p X كي r. (3) إذا كان X هو A و Y هو B، ثم f p x q Y r. (4) X و Y تمثل أكوان الخطاب A و I أنا المصطلحات اللغوية التي تحددها وظائف عضويتهم، و p i، q i و r i هي المعلمات الناتجة التي يتم تحديثها في تمرير إلى الأمام في خوارزمية التعلم. ويمر التمريرة الأمامية متجه الدخل من خلال طبقة الشبكة حسب الطبقة. في التمرير الخلفي، يتم إرجاع الخطأ من خلال الشبكة بطريقة مماثلة للانتشار الخلفي. نناقش بإيجاز الطبقات الخمس في ما يلي: 4 تداول الفوركس عالي التردد خلال اليوم مع أنفيس 71 1 خرج كل عقدة في الطبقة 1 هو: O مو (x) i i 1،2 1، i O (x) فور i 3،4. 1، i أي موب i 2 (5) وبالتالي، O 1، ط (س) هو في الأساس درجة العضوية ل x و y. وعلى الرغم من أن وظائف العضوية يمكن أن تكون مرنة جدا، فإن النتائج التجريبية تؤدي إلى استنتاج مفاده أن مهمة العضوية على شكل جرس هي الأكثر ملاءمة (انظر، على سبيل المثال أبوني وآخرون، 2001). نحسب 1 مو (x) و A 2b i x سي 1 a i (6) حيث i و b i و c i معلمات يمكن تعلمها. هذه هي المعلمات فرضية. 2 في الطبقة 2، يتم إصلاح كل عقدة. هذا هو المكان الذي يستخدم فيه t-نورم ل أند درجة العضوية، على سبيل المثال، المنتج: O2، i واي مو A (x) موب (y)، i 1،2. (7) إي 3 الطبقة 3 تحتوي على العقد الثابتة التي تحسب نسبة قوة إطلاق القواعد: O 3، i واي واي وو العقد في الطبقة 4 تتكيف وأداء ما يترتب على القواعد: () O وفوبسير (9) ) 4، إييييي i. وتحدد المعلمات (p i، q i، r i) في هذه الطبقة ويشار إليها كمعلمات ناتجة. 5 في الطبقة 5، تحسب عقدة واحدة الناتج الإجمالي: O وف (10) i i i 5، i واي فاي. i i واي هذه هي الطريقة التي يتم بها تغذية ناقلات الإدخال عادة من خلال طبقة الشبكة حسب الطبقة. ثم ننظر بعد ذلك في الكيفية التي يتعلم بها نظام أنفيس الفرضية والمعلمات اللاحقة لوظائف العضوية والقواعد. نطبق خوارزمية التعلم المختلط التي اقترحها جانغ وآخرون. (1997) الذي يستخدم مزيج من النسب الأكثر حدة وتقدير المربعات الصغرى (لس) لمعايرة المعلمات في الشبكة التكيفية (انظر أيضا فونتينلا روميرو وآخرون، 2003). نحن تقسيم مجموع المعلمة مجموعة S إلى مجموعتين أخرى S 1، مجموعة من فرضية (غير الخطية) المعلمات، و S 2، ومجموعة من المعلمات (الخطية) الناتجة. في هذه الدراسة، يستخدم أنفيس خوارزمية التعلم تمرير اثنين. وفي الترحيل الأمامي، لا يتم تعديل S 1 ويتم حساب S 2 باستخدام خوارزمية لس، بينما في التتابع الخلفي، لا يتم تعديل S 1 ويتم تحديث S 2 باستخدام خوارزمية نزول التدرج مثل الانتشار الخلفي (انظر أيضا الشكل التوضيحي في الشكل 2). (8) 5 72 ألف - كابلان أند W. L. نغ الشكل 2 خوارزمية التعلم إلى الأمام والخلف يمر (انظر النسخة على الانترنت للألوان) مهمة خوارزمية التعلم أنفيس لهذا العمارة هو لحن جميع المعلمات القابلة للتعديل، وهي وجعل الناتج أنفيس تطابق بيانات التدريب. عندما تكون معلمات فرضية منظمة العفو الدولية، ثنائية، و سي من وظيفة عضوية ثابتة، يمكن أن تكون مخرجات نموذج أنفيس مكتوبة كما ووفوفووو (11) على وجه الخصوص، وتتكون عملية التعلم من تمرير إلى الأمام والانتشار الخلفي، حيث في تمرير إشارات وظيفية إلى الأمام حتى الطبقة 4، ويتم تحديد المعلمات الناتجة عن ذلك من خلال تقدير أقل مربعة. في تمريرة الخلف، معدلات الخطأ تنتشر إلى الوراء ويتم تحديث المعلمات فرضية من قبل الانحدار النسب. وبالنسبة لقيم ثابتة معينة من S 1، فإن المعلمات في S 2 التي تم العثور عليها بواسطة هذا النهج مضمونة لتكون الأمثل العالمي. ويقدم الجدول 1 موجزا لأساليب التعلم. ويستخدم خطأ الخرج في تكييف معلمات الفرضية بواسطة خوارزمية معيارية للانتشار الخلفي. الجدول 1 ملخص طرق التعلم المختلفة تمرير إلى الأمام تمرير للخلف المعلمات الأساسية ثابت التدرج النسب المعلمات المتتالية لس إشارات ثابتة عقدة المرجع معدلات الخطأ هناك أربع طرق تستخدم لتحديث المعلمات، وهذه هي: 1 الانحدار النسب (غ) فقط: يتم تحديث جميع المعلمات من خلال الانحدار النسب. 2 غ ومرور واحد من لس: يتم تطبيق لس مرة واحدة فقط في البداية وذلك للحصول على القيم الأولية للمعلمات المترتبة عليها. غ ثم التحديثات. 3 غ و لس: القاعدة الهجينة المقترحة (انظر أيضا جانغ، 1993). 4 لس متتابعة فقط: يستخدم عامل تصفية كالمان لتحديث المعلمات. في هذا الفصل، ولأغراض استخدام نظام أنفيس للتنبؤات المالية، نستخدم الإدخال الثالث من القائمة أعلاه حيث إن هذه الطريقة تمثل عادة حلا وسطا جيدا بين التعقيد الحسابي والأداء الناتج (انظر أيضا ميترا إت آل 2008). 6 تداول الفوركس عالي التردد اليومي مع أنفيس أنفيس للتنبؤات المالية والتداول النظام المقترح كما هو موضح أعلاه يأخذ الآن سلسلة الأسعار كمدخلات يأخذ أولا كمية معينة من نقاط البيانات م للتدريب وتوليد نظام الاستدلال غامض الأولي من البيانات القيم، ثم يأخذ نقاط البيانات م التالية للتحقق من صحة. وسيؤدي ذلك إلى إنشاء نظام معلومات الملاحة الجوية (أنفيس) الذي عدل معالمه ووظائف عضويته وهو جاهز لإنتاج التنبؤ بنقاط البيانات التالية، نظرا للنمط الذي اعترف به. وتحدد نسبة نجاح هذا النظام بمستوى دقتها في التنبؤ بحركة فترات التداول التالية بالثواني والدقائق والساعات والأيام والأسابيع والشهور، تبعا لتكرار التداول. اتخاذ القرارات الصحيحة بعد معالجة جميع المدخلات من كتل أخرى هو أيضا ضروري لنجاح نظام (شين، 2005). وعلى وجه الخصوص، ينظر النظام في ملاحظات الأسعار الثلاثة السابقة في السوق x (t 3) و x (t 2) و x (t 1) والمراقبة الحالية x (t) من أجل التنبؤ بالمراقبة التالية للسعر x (t 1) باستخدام أنفيس. ثم يتم استخدام هذا كمؤشر حركة (إما أعلى أو لأسفل). وبعبارة أخرى، لجعل التنبؤ ل t 1، سيتم تغذية النظام السعر الحالي في الوقت t بالإضافة إلى ملاحظات الأسعار الثلاثة السابقة ر 1، ر 2 و ر 3، على التوالي. الآن وقد تم تنفيذ نظام للتنبؤ حركة السوق، ويمكن فتح موقف مناسب وفقا لمؤشر هذا التنبؤ. يظهر رمز الزائفة في الشكل 3. الشكل 3 إدخال موقف الانتظار عند التنبؤ لا يغير الاتجاه بيجين تدريب النظام باستخدام آخر 500 نقطة تحقق من دقة الأنظمة باستخدام آخر 500 نقطة ريبيت من الآن وحتى 100 نقطة التالية توليد التنبؤ إند إعادة تدريب إذا التنبؤ هو ما يصل - gt ثم شراء إذا التنبؤ القادم هو ما يصل - gt ثم عقد آخر إذا كان التنبؤ أسفل - gt ثم بيع إذا التنبؤ المقبل هو أسفل - gt ثم عقد الشكل 4 يوضح الاستراتيجية المذكورة أعلاه، حيث يتم عرض مواقف عقد ويتم تخفيض تردد بيع شراء. عندما ينخفض ​​الخط الأحمر (قيمة وهمية 0)، يكون النظام في وضع البيع، وتبقى دون تغيير يعني أنه في وضع الانتظار، والتحرك مرة أخرى (قيمة وهمية 1) يعني أنه ذهب لشراء وضع. بالإضافة إلى ذلك، من أجل زيادة عائد الاستثمار التجاري، تم إدخال استراتيجية التنبؤ والتداول النهائية حيث يتم استخدام قيمة مؤشر الزناد. لذلك، لتسلسل من شراء وعقد المراكز، وإذا كان التنبؤ من العينة في المرة القادمة ينخفض ​​تحت الزناد مجموعة، يتم إغلاق الموقف وبالتالي، يتم فتح موقف بيع. يتم تحديث قيمة مؤشر الزناد 7 74 A. كابلان أند W. L. نغ بعد كل التكرار، كما هو موضح في رمز الزائفة في الشكل 5. في البداية يتم تعيين هذا الزناد إلى القيمة الأولى في مجموعة البيانات. الشكل 4 المواضع التي توضع وفقا لتنبؤ الحركة (انظر النسخة الإلكترونية للألوان) الشكل 5 إدخال الزناد لتتبع التنبؤ والكشف عن التغيرات الاتجاهية لضبط موضع السعر الزناد (1) إذا كان التنبؤ هو أعلى والتنبؤ غ الزناد ثم الزناد التنبؤ (الآن -1) موقف شراء آخر إذا التنبؤ هو أسفل والتنبؤ الزناد ثم الزناد التنبؤ (الآن -1) موقف بيع بعد تنفيذ نظام أنفيس أعلاه، كان لا بد من إجراء المزيد من التجارب من أجل تحسين النتائج التي تم الحصول عليها من النظام أعلاه. أحد الاختبارات الهامة التي أجريت تنطوي على اختلاف عدد العصور وأحجام الخطوة في كل تشغيل على النظام. في نظرية الشبكات التكيفية، يتم تعريف العصر كممر واحد من خلال مجموعة البيانات بأكملها (يتم تقييم كل مجموعة من البيانات مرة واحدة). وهذا يعني أن المزيد من العصور لدينا، والمزيد من التقييمات نحصل عليها. ومع ذلك، هذا يستغرق أيضا وقتا أطول. عصر واحد هو اكتساح واحد من خلال جميع السجلات في مجموعة البيانات. هذا لا يعني أن المزيد من العصور لدينا، سيكون أفضل النتائج. وقد أثبتت تجاربنا 8 تداول الفوركس عالي التردد خلال اليوم مع أنفيس 75 أن عتبة موجودة عند أي نقطة سيصل النظام إلى التشبع، وبغض النظر عن عدد العهود المستخدمة، فإن الأداء لن يتحسن. وفي الواقع، فإن عددا كبيرا جدا من العهود سيؤدي إلى زيادة في الإنفاق على النظام، مما يؤدي إلى انخفاض في الأداء (انظر الشكلين 6 أ و 6 ب). وشمل الإعداد الأولي نظام 80 عصر الذي استغرق 18.4 ثانية لتنفيذ خلال كل تشغيل. 1 وقد استخدمت تجارب لأعداد مختلفة من العصور، والتي بدورها تسببت في تغيير في معدل التعلم التي يمكن تحليلها في لوحات في الشكل 6. ويعتبر حجم الخطوة كمتغير الذي تم تصحيحه بعد كل ربع الرابع، عد من العصر الذي تم فيه التصحيح السابق. ويتحقق ذلك على أساس القواعد التالية: 1 إذا كان الخطأ يخضع أربعة تخفيضات متتالية، ثم زيادة حجم الخطوة بنسبة 10 2 إذا كان الخطأ تباعا من خلال مزيج من الزيادات والنقصان، ثم تقليل حجم الخطوة بنسبة 10. وأخيرا يتم تخصيص متغير آخر لتخزين التغيير الأخير الذي يخزن فهرس الفترة التي تم تغيير حجم الخطوة المتغيرة فيها سابقا. بشكل عام، لا توجد نظرية قاطعة لتقرير عدد من العصور في الأدب الشبكات العصبية. ومع ذلك، فمن القواعد العامة لتجنب مشكلة الإفراط في زيادة عند زيادة عدد من العصور. من الناحية العملية، لوحظ أن كلما زاد عدد دورات التدريب كلما كان أداء التصنيف أفضل، ولكن هذا يزيد من قدرة التعميم من قبل الشبكة وبالتالي القدرة على التنبؤ بشكل صحيح بمعالجة البيانات المستقبلية التي لم يسبق لها مثيل. وهذا ما تؤكده النتائج الواردة في الجدول 2 في القسم التجريبي أدناه، ومن ثم نختار 80 كمحور مثالي للحوار القصير حول اختيار أرقام العصر، انظر أيضا يزيورو إت آل. (2008) وشيلاني وحسن (2001). الشكل 6 منحنيات الخطأ وحجم التحديث للخطوات المختلفة: (a، b) 180 إيبوتشس (c، d) 100 إبوشس (e، f) 50 إبوشس (g، h) 10 إيبوتشس (انظر النسخة الإلكترونية للألوان) خطأ جذر متوسط ​​خطأ تربيع خطأ التدريب المنحنيات خطأ في التحقق خطأ رقم رقم (a) خطأ منحنيات عصر رقم (c) خطأ في التدريب خطأ التحقق حجم الخطوة خطوة حجم الخطوة حجم منحنى رقم إب (ب) خطوة حجم منحنى عدد العصر (د) 9 76 A كابلان أند ول نغ الشكل 6 الجذر متوسط ​​التربيع الخطأ منحنيات الخطأ وحجم الخطوة تحديث لمختلف الحقائب: (أ، ب) 180 عهدا (ج، د) 100 عهدا (ه، و) 50 عهدا (ز، ح) 10 عهدا (تابع) نسخة على الانترنت للألوان) خطأ المنحنيات التدريب خطأ في التحقق من خطأ رقم الخطوة الخطوة حجم الخطوة حجم منحنى العصر الجذر رقم الجذر يعني خطأ مربع (e) خطأ المنحنيات التدريب خطأ في التحقق من خطأ رقم (ز) خطوة حجم (و) خطوة حجم منحنى عدد العصر (h ) 2.3 الموسمية اليومية كما لوحظت أنشطة التداول في الوقت الحقيقي، لا يمكن تطبيق نهج مشتركة لقياس التقلبات مثل الانحراف المعياري بسبب بنية البيانات غير المتجانسة من السلاسل الزمنية. لذلك، سيتم استخدام نموذج المراقبة الموسمية اليومية (إيسوم) كمفهوم قائم على الحدث لقياس نشاط السوق في هذه الدراسة كبديل لتقلب حيث أنه يمكن رسم أوقات اليوم مع تقلب كل منها. وينظر إلى هذا من منظور قائم على الحدث، حيث كل تغيير الاتجاه مع عتبة محددة هو الحدث. والهدف من ذلك هو استخدام إيسوم لتصفية وتنظيف هذه البيانات من خلال الإشارة إلى فترات من اليوم عندما تجاوز التقلب نطاق معين (عدد الأحداث). والفكرة هنا هي أخذ عدد الملاحظات لكل فاصل أخذ العينات خلال اليوم من أجل إنتاج نموذج من شأنه أن يقدر عدد متوسط ​​الرصدات التي تحدث للوقت المستهدف من نافذة اليوم (انظر أيضا بوينز وآخرون 2005). في التداول المالي، يتم فهم أحداث الاتجاه-التغير (دس) على أنها تحركات الأسعار، حيث يمكن تحريك حركة السعر الإجمالي بين مستويين سعريين متطرفين، معبرا عنهما بقفز السعر النسبي لحجم العتبة دكس ()، إلى عائد السعر ( أي التغيير الاتجاهي نفسه) وأقسام مفرطة (غلاتفيلدر وآخرون، 2018). و إيسوم لوقت معين من اليوم t عند عتبة معينة دكس يساوي العدد الإجمالي للأحداث التغيير الاتجاهية التي وقعت في هذا الوقت نافذة t بن في مجموعة البيانات بأكملها: 10 التداول اليومي عالية التردد فكس مع أنفيس 77 ن إسوم ( t دكس) N (دس t تبين) يوم، (12) يوم 1 حيث n هو العدد الإجمالي للأيام في مجموعة البيانات، و N (دس) هو عدد التغيرات الاتجاهية (الأحداث). في تعريفها البسيط، إيسوم هو نموذج يأخذ بعين الاعتبار عتبة معينة دكس () وسوف نلاحظ التوقيت الذي تحدث فيه التغيرات الاتجاهية دس. فإنه سيتم تحليل متزامن ومتتابع من خلال مجموعة بيانات كاملة من الأسعار وحفظ الملاحظات في صناديق الوقت الخاصة بهم. وهذا من شأنه أن يعطي في نهاية المطاف أفقا للمواسم، مشيرا إلى الأوقات الدقيقة من اليوم عندما قدمت هذه الملاحظات. وهذا يدل على أوقات اليوم عندما كان التقلب عالية أو منخفضة. والفكرة هي أن البيانات سوف ينظر إليها من منظور القانون التحجيم من التغييرات الاتجاهية (الأحداث)، حيث يتم ملاحظة كل تغيير نسبة أوبدون ضمن عتبة محددة مسبقا، ويتم وضع علامة على الطوابع الزمنية والسعر النسبي، ويتم تخزين كافة البيانات تكرارا في صناديق من قيمة الوقت، والتي سيتم بعد ذلك تحليلها أبعد من ذلك. لغرض التوضيح، عند تطبيقه مع تغيير دكس 0.05 لمدة 30 دقيقة من النوافذ لزوج العملات الأجنبية (فكس)، لاحظ زوج يورو / دولار ور / أوسد من 04042006 إلى 04042008. وأسفرت إيسوم عن النمط الموسمية المبين في الشكل 7. وتكشف المؤامرة أن معظم تحدث أحداث التغيير الاتجاهي بين الساعة 12:00 و 14:00 بتوقيت جرينتش. وهذا يؤكد حقيقة أن هذه هي الأوقات التي يتم فيها الاعلانات وحدث رد فعل السوق على هذه الإعلانات. كما أنه الوقت الذي تفتح فيه أسواق الولايات المتحدة، وبالتالي تزداد تقلب الأسواق. وتحدث أوقات أخرى من التقلبات العالية بين الساعة 7:00 و 8:00 بتوقيت غرينيتش، وهي عادة ما تكون قبل افتتاح الأسواق الأوروبية. الشكل 7 إيسوم لعتبة دكس 0.5 تحرك السعر لوحظ كل 30 دقيقة لزوج العملات الأجنبية اليورو مقابل الدولار الأميركي من 04042006 إلى 04042008 (انظر النسخة على الانترنت للألوان) ويبين إيسوم أنه عند النظر الملاحظات كل 30 دقيقة، والفترة ذات أعلى تقلب بين 12:30 و 13:00 بتوقيت جرينتش، وهو الوقت الذي تم فيه استيعاب جميع الإعلانات التي تم إجراؤها في الساعة 12 ظهرا من قبل الأسواق وبدأ التجار في التصرف عليها. وتحدث فترة أعلى نشاط تداول بين الساعة 12:00 و 16:00 بتوقيت جرينتش، أي الأوقات التي تشمل الإعلانات، وفتح الأسواق الأمريكية حتى إغلاق الأسواق الأوروبية. وقد أكدت النتائج المذكورة أعلاه الأحداث الواقعية التي من المعروف أنها تزيد من تقلبات الأسواق. ويمكنهم 11 78 ألف. كابلان و W. L. كما يساعد نغ المتداول أو النظام على تجاهل الفترات التي تعاني من عدد قليل من الأحداث. وتجدر الإشارة إلى أن إيسوم يمكن تطبيقها على أي عتبة وأي تردد الوقت (يوميا، نصف يوميا، ربع يوميا، خمس دقائق، الخ). وقد أخذنا عتبة دكس 0.05 بالنسبة لنطاق هذا الرسم التوضيحي يمكن تطبيق المفهوم بحرية على أي عتبة أو تردد زمني (وترد أرقام إضافية توضح الموسمية اللحظية لقيم عتبة أخرى في الشكل 10 في التذييل). الخطوة التالية هي الآن استخدام إيسوم لتصفية وتنظيف هذه البيانات عن طريق الإشارة إلى فترات من اليوم عندما تجاوز التقلب نطاق معين (عدد الأحداث). تمت إعادة تصميم نموذج إيسوم لتلبية البيانات لمدة خمس دقائق بدلا من البيانات كل ساعة أو 30 دقيقة، كما هو موضح سابقا. لدينا الآن صناديق من خمس دقائق البيانات، ونحن سوف التقاط التغييرات الاتجاهية كما تحدث داخل هذه الصناديق، حيث عداد الأحداث سوف تزيد وفقا لعدد من الأحداث وعدد المرات التي تم تجاوز العتبة. في هذه الدراسة، تم تغذية أنفيس البيانات من أوقات اليوم عندما تجاوز عدد الملاحظات عشرة أحداث. بعد أن يتم تدريبه على البيانات ذات التقلبات العالية (التدريب على الإجهاد)، سيقوم أنفيس بإجراء تنبؤ لمجموعة من بيانات التدقيق. ويظهر الشكل الزائف في الشكل 8. الشكل 8 تحسين أنفيس مع وظيفة إسوم كوليكت-ISOM - تيمس بيجين i i تو إند (إن-سامبل-داتا) حساب النسبة المئوية للتغييرات الاتجاهية دس (i) (السعر i) السعر (i-1) 100) السعر (i-1) إذا كانت القيمة المطلقة (دس (i)) غ 0.05 حفظ الوقت بن الملاحظة (T) عدد عدد الملاحظات لوقت معين بن (تكونت) ملاحظات بيرداي تكونتلنغث (في عينة البيانات ) إذا كانت الملاحظات بيرداي غ 5 فاليدسومتيمبين T نهاية إذا نهاية إذا كان نهاية ل إند فونكتيون استخدام-إسوم-فور-تراينينغ-أنفيس بيجين ل k 1 إلى نهاية (البيانات خارج العينة) إذا كان الوقت فالديسومتيمبين القطار أنفيس تنفيذ التنبؤات آخر المضي قدما في المرة القادمة بن إند في نهاية إند 12 تداول الفوركس عالي التردد اليومي مع أنفيس 79 3 البيانات والنتائج التجريبية سوق الفوركس هو سوق عالمي على مدار 24 ساعة مع سيولة عالية وتقلبات خاصة في المراكز المالية الرئيسية الثلاثة ذات النفوذ الدولي: نيويورك ، لندن وطوكيو. التقلب هو الأعلى خلال الصباح الباكر في نيويورك الوقت لأن التبادلات في لندن ونيويورك مفتوحة وتداول في وقت واحد. وقد لوحظت الحقائق الأنيقة مثل عدم التكافؤ والخسارة الثقيلة في توزيعات عوائد العملات الأجنبية (بوينز وآخرون، 2005). وتشارك المصارف التجارية ومؤسسات التمويل والتمويل بالتجزئة من جميع أنحاء العالم في تداول العملات الأجنبية. ويتمثل السعر في سوق الفوركس في شراء وبيع العملات إلى المؤسسات والتجار والمصدرين والمستوردين ومديري المحافظ والسياح. في الوقت الحاضر، يتم مطابقة الطلبات إلكترونيا عبر محطات الوساطة الآلية. يون إت آل. (1994) أن ما يقرب من 85 من جميع تداول العملات الأجنبية يحدث بين صانعي السوق. وهذا يخلق فرصة للمضاربة. في هذه الدراسة، وقد تم تغذية بيانات فكس عالية التردد عينات من 04042006 إلى 04042008 في نظام التداول. لتحليل، نحسب منتصف السعر من بيانات الاقتباس (داكوروغنا وآخرون، 2001). ونحن نتداول في الفوركس، ونصف انتشار، وهو التجار الصفقة الصفقة الوحيدة تحتاج إلى النظر في هذا النوع من السوق، وقد أخذت بالفعل ضمنيا في الاعتبار في جميع الاستراتيجيات المبلغ عنها. وقد تم اختبار النظام على خمسة أسعار العملات الأجنبية، وهي: ور-أوسد، أود-أوسد، غبب-أوسد، أوسد-تشف، و أوسد-جبي. ويبين الشكل 9 السلاسل الزمنية المختلفة التي استخدمت في هذه الدراسة. الشكل 9 سلسلة زمنية من جميع أزواج العملات الأجنبية الخمسة التي تمت مراقبتها من 04042006 إلى 04042008، تطبيعها إلى 1USD (انظر النسخة الإلكترونية للألوان) تنقسم هذه المجموعة الأصلية من بيانات الأسعار لمدة خمس دقائق إلى مجموعات بيانات فرعية (غير متداخلة) نقاط، لكل من أسعار العملات الأجنبية. قد لا تكون كمية صغيرة جدا (100 نقطة) كافية لبناء الزخم وتحقيق العدد المطلوب من الملاحظات (الأحداث) حيث قد لا يتم تجاوز العتبة. وبالمثل، قد يتضمن عدد أكبر المزيد من الملاحظات التي نرغب في تشغيل واحد من النظام الذي من شأنه أن يسبب الإفراط في التدريب والإفراط في الشحن (ييه وآخرون 2018). كما أن جميع معدلات فكس عالية التردد لديها 13 80 A. كابلان و W. L. نغ كمية مختلفة من نقاط البيانات، تم اختيار m بحيث أن كل سلسلة لديها مجموعات البيانات الفرعية للمقارنة معقول. لكل سلسلة أسعار العملات الأجنبية، يتم استخدام أول 500 نقطة في العينة البيانات في كل مجموعة فرعية للتدريب النظام. وتعتبر نقاط البيانات ال 500 اللاحقة خارج العينة وتستخدم للتحقق من أداء النظام وتحديث بنية الشبكة باستخدام خطأ الإخراج. ويمكن إعادة استخدام نقاط البيانات ال 500 التي استخدمت للتحقق من الصحة في محاكاة واحدة لإعادة تدريب النظام في المحاكاة التالية، مما يخلق نهجا متجددا في مجال التدريب والتحقق من صحة النظام، والاستفادة الكاملة من جميع البيانات المتاحة. من أجل تقييم أداء النموذج المقترح، سوف نقارن أنفيس مع الاستراتيجيات القياسية التي يتم تطبيقها عادة في هذه الصناعة، مثل شراء وعقد على سبيل المثال. ييه إت آل. (2018)، p.796، القسم 2.2 أو التنبؤ الخطي باستخدام الاتجاهات التالية أو إشارات الاتجاه المعاكس مثلا. ششولميستر) 2009 (، ب. القسم 2. نستخدم مقاييس مختلفة للتقييم، مثل معدل الفائدة على عامل الربح العائد من االستثمار) روا (نسبة شارب نسبة سورتينو. ويصف معدل الفوز ببساطة عدد الصفقات الفائزة مقابل العدد الإجمالي للحرف. ويصف عامل الربح أساسا الربحية التاريخية لسلسلة من الصفقات على الاستثمار. تعادل عامل الربح هو 1 يعني الاستثمار الذي يولد الصفقات مع 50 فرصة من إجمالي قيمة الصفقات الفائزة و 50 فرصة من إجمالي مبلغ الصفقات الخاسرة. عادة، المستثمرين اختيار الاستثمارات مع عامل الربح أعلى من واحد. يتم استخدام عائد الاستثمار لتقييم كفاءة الاستثمار أو مقارنة العوائد على الاستثمارات. وهذا يعني أن عائد الاستثمار هو نسبة الربح المكتسب أو المفقود على الاستثمار فيما يتعلق بكمية التكلفة المستثمرة. يتم استخدام نسبة شارب لقياس العائد المعدل للمخاطر من أصل استثماري أو محفظة، والتي يمكن أن تخبر المستثمرين مدى عوائد الأصول تعوض المستثمرين عن المخاطر التي اتخذت. وتعرف نسبة شارب بأنها نسبة رب R شارب سيغما p f، حيث R p تشير إلى العائد المتوقع، R f معدل الفائدة الخالي من المخاطر و سيغما p تقلب المحفظة. ومن الناحية الفنية، تقيس هذه النسبة علاوة المخاطر لكل وحدة من مجموع المخاطر في الأصل الاستثماري أو المحفظة. غالبا ما يختار المستثمرون استثمارات ذات نسب عالية من شارب نظرا لارتفاع نسبة شارب، كلما كان أداءها المعدل محسنا على نحو أفضل. ونظرا لعدم وجود سعر فائدة خال من المخاطر في آجال الاستحقاق خلال اليوم، فإننا نستخدم متوسط ​​العائد من مجموعة البيانات الفرعية للتدريب كبديل. Similarly, the Sortino ratio is defined as Rp Rf Sortino ratio , sigma neg 14 Intraday high-frequency FX trading with ANFISs 81 where sigma neg denotes the standard deviation of only negative asset returns. The main difference between the Sharpe ratio and the Sortino ratio is that the Sortino ratio only penalises the downside volatility, while the Sharpe ratio penalises both upside and downside volatility. Thus, the Sortino ratio measures the risk premium per each unit of downside risk in an investment asset or a portfolio. When training the ANFIS, it has been noticed after running initial experiments that the larger the numbers of epochs, the more stable the system will be because of damping oscillation (see Figure 6). Furthermore, the larger the size of the step, the faster the errors will decrease, although there will be more oscillations. When designing a system that will trade in high frequency, a major category that has to be satisfied along with high performance and optimum results is high speed or run-time and execution. As it can be seen from the Figure 6 and Table 2, a low (high) number of epochs results in a system that is rather fast (slow). On the other hand, a low number of epochs produces very poor results compared to a higher number of epochs, which produces a system with very high performance rates. However, it was also observed from the experiments that as the number of epochs increases, there may be a stage where the performance does not increase as much as required, whereas the time of execution increases drastically. Hence, it is a matter of compromise between speed and performance. This issue can be resolved by choosing a system with 80 epochs, where it has been found to produce the highest performance for the smallest amount of time after conducting extensive experiments (see Table 2). Furthermore, since the system trades on five-minute intervals, a time of seconds cannot be considered a long execution time, given the complexity of the ANFIS design. Having determined the number of epochs to be considered, ANFIS was fed data from the times of day when the number of observations exceeded ten events. After being trained on data with higher volatility (stress training), ANFIS will perform prediction of a set of checking data. Table 2 Num. of epochs Out-of-sample evaluation of the ANFIS system using various numbers of epochs CPU time (secs) Winning rate Profit factor ROI Sharpe ratio Sortino ratio As mentioned before, all sub-datasets used for validation of the implemented trading system is considered as the out-of-sample. The performance measures introduced above are computed for each validation sub-dataset. Table 3 reports the overall average performance measure for 1 the buy and hold 2 the momentum (trend following) 3 the contrarian (trend reversal) 4 the Intraday ANFIS trading strategy. 15 82 A. Kablan and W. L. Ng Table 3 Comparison of the average performance measures in the out-of-sample for all implemented trading strategies FX pair Winning rate Profit factor ROI Sharpe ratio Sortino ratio EUR-USD Buy and hold Momentum Contrarian Intraday ANFIS AUD-USD Buy and hold Momentum Contrarian Intraday ANFIS GBP-USD Buy and hold Momentum Contrarian Intraday ANFIS USD-CHF Buy and hold Momentum Contrarian Intraday ANFIS USD-JPY Buy and hold Momentum Contrarian Intraday ANFIS With respect to the winning rate, Table 3 shows that in most cases, the ANFIS system outperforms the standard strategies in the overall number of wins. In terms of the profit factor, which indicates the actual profitability of a series of trades on an investment, the results show that the ANFIS system also has a profit factor higher than 1 in most cases. Table 3 also reveals that ANFIS generally obtains a higher ROI than the conventional strategies, i. e. it has a higher ratio of profit gained on a trade in relation to the amount of cost invested. Last not least, the Sharpe ratio and Sortino ratio, which measure the investment per unit of risk, also indicate a better performance of the ANFIS model, but less consistent as compared to the other benchmark values. Positive Sharpe and Sortino ratios imply that the trading strategy has not taken high risk. Other descriptive statistics of performance measures in the out-of-sample such as the standard deviation, skewness and kurtosis are listed in Table 4 in the Appendix. It can be seen that in general the performance measures for ANFIS have a lower standard deviation (higher accuracy), higher skewness (higher outperformance) as compared to the 16 Intraday high-frequency FX trading with ANFISs 83 benchmark models. Comparisons for the kurtosis are rather inconsistent, allowing no particular conclusion. Finally, in order to statistically test the performance of a benchmark model (either buy and hold, momentum or contrarian) compared to the proposed ANFIS model, Table 5 in the Appendix lists the test-statistics of the (one tailed) t-test with the null-hypothesis that average measure for the benchmark is better than that for the ANFIS. A negative test-statistic with a value lower than indicates a rejection of the null-hypothesis at a 5 significance level, implying a statistically significant outperformance of the ANFIS strategy. Furthermore, a low positive value of the test-statistic would imply that a particular benchmark model is not significantly better than ANFIS (e. g. Sortino ratios for AUS-USD or USD-JPY). 4 Conclusions The distinctive area of soft computing and artificial intelligence was addressed in this project by revisiting and improving the performance of the ANFIS by manipulating the number of epochs and the learning rate. It was concluded that a certain number of optimal epochs should not be exceeded, since this would not drastically improve the system. The ISOM proposed in this project has been tested on various threshold levels. The observation of a directional change within a threshold leads to taking the time stamp and its consequential addition to all of the observations that have been made during that time. The power of this method lies in the fact that any threshold can be used for any time frequency. This leads to the observation of events for the entire data series from a new perspective. The above concepts of event-driven volatility have proven to be consistent with ANFIS if sufficient data is present to perform the ISOM. A comparison of the proposed model against the standard trading strategies that are commonly applied in the industry shows an outperformance of the Intraday ANFIS. Acknowledgements The authors would like to thank Steve Phelps, Nikos S. Thomaidis (editor) and three anonymous referees for their valuable comments and suggestions that led to an improvement of this paper. References Abonyi, J. Babuscaronka, R. and Szeifert, F. (2001) Fuzzy modeling with multivariate membership functions: gray box identification and control design, IEEE Transactions on Systems, Man, and Cybernetics Part B, Vol. 31, No. 5, pp Aldridge, I. (2009) High-frequency Trading A Practical Guide to Algorithmic Trading Strategies and Trading Systems, Wiley, NJ. Bauwens, L. Omrane, B. and Giot, P. (2005) News announcements, market activity and volatility in the euro-dollar foreign exchange market, Journal of International Money and Finance, Vol. 24, No. 7, pp 17 84 A. Kablan and W. L. Ng Castillo, E. Guijarro-Berdinas, B. Fontenla-Romero, O. and Alonso-Betanzos, A. (2006) A very fast learning method for neural networks based on sensitivity analysis, Journal of Machine Learning Research, Vol. 7, pp Chelani, A. and Hasan, M. (2001) Forecasting nitrogene dioxide concentration in ambient air using artificial neural-networks, International Journal of Environmental Studies, Vol. 58, No. 4, pp Dacarogna, M. Genccedilay, R. Muumlller, U. A. Pictet, O. and Olsen, R. (2001) An Introduction to High-Frequency Finance, Academic Press, San Diego. Dempster, M. A.H. and Jones, C. M. (2001) A real-time adaptive trading system using genetic programming, Quantitative Finance, Vol. 1, No. 4, pp Denaiuml, M. Palis, F. and Zeghbib, A. (2007) Modeling and control of non-linear systems using soft computing techniques, Applied Soft Computing, Vol. 7, No. 3, pp Fontenla-Romero, O. Erdogomus, D. Principe, J. C. Alonso-Betanzos, A. and Castillo, E. (2003) Linear least-squares based methods for neural networks learning, Lecture Notes in Computer Science, Vol. 27142003, No. 173, pp Glattfelder, J. B. Dupuis, A. and Olsen, R. (2018) Patterns in high-frequency FX data: discovery of 12 empirical scaling laws, Working paper, arxiv: v2. Hellstrom, T. and Holmstroumlm, K. (1998) Predicting the stock market, Technical Report Ima-TOM. Center of Mathematical Modeling, Department of Mathematics and Physics, Maumllardalen University, Sweden. Jang, J. R. (1993) ANFIS: adaptive network-based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, Vol. 23, No. 3, pp Jang, J. R. Sun, C. T. and Mizutani, E. (1997) Neuro-Fuzzy and Soft Computing, Prentice Hall, Upper Saddle River, NJ. Kasabov, N. K. and Song, Q. (2002) DENFIS: dynamic evolving neural-fuzzy inference system and its application for time-series prediction, IEEE Transactions on Fuzzy Systems, Vol. 10, No. 2, pp Konstantaras, A. Varley, M. R. Vallianatos, F. Collins, G. and Holifield, P. (2006) Neuro-fuzzy prediction-based adaptive filtering applied to severely distorted magnetic field recordings, IEEE Geoscience and Remote Sensing Letters, Vol. 3, No. 4, pp Mitra, P. Maulik, S. Chowdhury, S. P. and Chowdhury, S. (2008) ANFIS based automatic voltage regulator with hybrid learning algorithm, International Journal of Innovations in Energy Systems and Power, Vol. 3, No. 2, pp.1 5. Murphy, J. (1986) Technical Analysis of Futures Markets, New York Institute of Finance, New York. Schulmeister, S. (2009) Profitability of technical stock trading: has it moved from daily to intraday data. Review of Financial Economics, Vol. 18, No. 4, pp Sewell, M. V. (2018) The application of intelligent systems to financial time series analysis, PhD dissertation, Department of Computer Science, University College London, University of London. Sheen, J. N. (2005) Fuzzy financial decision-making: load management programs case study, IEEE Transactions on Power Systems, Vol. 20, No. 4, pp Takagi, T. and Sugeno, M. (1985) Fuzzy identification of systems and its application to modeling and control, IEEE Transactions on Systems, Man and Cybernetics, Vol. 15, No. 1, pp Yeh, I-C. Lien, C. and Tsai, Y-C. (2018) Evaluation approach to stock trading system using evolutionary computation, Expert Systems with Applications, Vol. 38, No. 1, pp Yezioro, A. Dong, B. and Leite, F. (2008) An applied artificial intelligence approach towards assessing building performance simulation tools, Energy and Buildings, Vol. 40, No. 4, pp 18 Intraday high-frequency FX trading with ANFISs 85 Yoon, Y. Guimaraes, T. and Swales, G. (1994) Integrating artificial neural networks with rule-based expert systems, Decision Support Systems, Vol. 11, No. 5, pp Notes 1 Simulations have been performed on a Toshiba Tecra A9-11M Laptop PC. CPU type: Intel Core 2 Duo, CPU speed: 2.4 GHz, internal memory: 2048 MB, hard drive size: GB. Appendix Figure 10 ISOM for alternative thresholds: (a) threshold 0.2 (b) threshold 0.4 (c) threshold 0.6 (see online version for colours) (a) (b) (c) 19 86 A. Kablan and W. L. Ng Table 4 Descriptive statistics for the performance measures in the out-of-sample for all implemented trading strategies 20 Intraday high-frequency FX trading with ANFISs 87 Table 5 t-tests on significance of the outperformance of the Intraday ANFIS compared to the benchmark models Winning rate Profit factor ROI Sharpe ratio Sortino ratio EUR-USD Buy and hold Momentum Contrarian AUD-USD Buy and hold Momentum Contrarian GBP-USD Buy and hold Momentum Contrarian USD-CHF Buy and hold Momentum Contrarian Intraday ANFIS USD-JPY Buy and hold Momentum Contrarian Notes: This table lists the test-statistics of the (one-tailed) t-test with the null-hypothesis that the average performance of a benchmark model (either buy and hold, momentum or contrarian) is better than that of the ANFIS model, i. e. H 0. micro BENCHMARK micro ANFIS. A negative value lower than indicates a rejection of the null at a 5 significance level.