Applied Energy 162（2016）1608-1618

目录列表可在 科学直通车

应用能源

期刊主页： 万维网。 elsevier.com/locate/ apenergy

使用遗传方法选择原油期货市场中的动态移动平均交易规则^q

强调

• 我们使用遗传算法选择原油期货市场的交易规则。
• 可以基于参考规则的性能动态调整规则。
• 这种方法产生的交易规则可以在实际投资中获利。
• 与静态移动平均交易规则相比，它们对交易者更有利。
• 根据我们的调查结果，为应用程序中的交易者提供投资建议。

a r t i c l e i n f o

文章历史：

2014年10月20日收到

2015年8月24日收到修订后的表格2015年8月31日接受

2015年9月14日在线提供

关键词：

原油期货市场遗传算法技术分析

移动平均交易规则

摘 要

增加原油期货市场投资利润的策略对能源融资投资者来说是一个重要问题。 本文提出了一种在原油期货市场中生成动态移动平均交易规则的方法。 自适应移动平均计算用于更好地描述波动，并且可以基于四个参考规则的性能在投资期间动态调整交易规则。 我们使用遗传算法从大量可能的参数中选择最佳动态移动平均交易规则。 我们的结果表明，动态交易规则可以帮助交易者在原油期货市场中获利，并且在价格下降过程中比BH策略更有效。 此外，动态移动平均交易规则对交易者比静态交易规则更有利，并且在长期投资周期中优势变得更加明显。 两个动态移动平均交易规则的长度与价格波动密切相关。 当市场受到重大能源相关事件的冲击时，动态交易规则将具有出色的表现。 在实际投资中选择技术交易规则时，会给出投资建议，这些建议对交易者有帮助。

copy;2015 Elsevier Ltd.保留所有权利。

1. 介绍

原油是一个国家经济发展的基础。 随着全球化和金融化的进程，原油被视为重要的金融资产，不仅仅是一种商品 [1]。 原油期货市场在金融方面起着至关重要的作用

q本文基于Energy Procedia Volume 161（2014）中的一篇简短的论文。 它经过了大幅修改和扩展，并受到期刊的正常同行评审和修订过程的约束。 本文包含在由J Yan教授，DJ Lee教授，SK Chou教授和U Desideri教授编辑的ICAE2014特刊中。

uArr;通讯作者：人文与经济管理学院，

中国地质大学，北京100083 电话： 86 1082323783。

电子邮件地址： ahz369＠163.com（H. An）。

市场。 投资者通常根据对油价波动趋势的预测，在原油期货市场做出投资决策 [2]。 学者们使用不同的方法 [3]，例如神经网络和遗传算法 [4–6]， 多元线性回归 [7]，支持矢量机 [8,9]和小波分析 [10] 预测不同市场的油价。 结合多种算法的集成智能方法 [11–13] 经常使用。 对原油期货市场的分析越来越受到关注。 人们通过技术分析尝试以不同方式在原油市场中寻找一些有价值的信息，以帮助交易者做出投资决策 [14,15]。 为了找到有用的投资信息，该领域的学者研究了原油期货市场的效率 [16,17]，原油价格与其他金融资产之间的相关性 [18,19]， 影响因素

http://dx.doi.org/10.1016/j.apenergy.2015.08.132 0306-2619 /copy;2015 Elsevier Ltd.保留所有权利。

L. Wang等。 / Applied Energy 162（2016）1608-1618 1609

价格变动 [20–22]，原油价格走势特征 [23]，以及能源市场的价格发现 [24,25]。 这些现有研究的结果证明，原油期货市场的技术分析可以找到一些有用的信息。 由于原油期货市场如此重要和庞大，因此小额获利机会或有用的发现将具有重大价值。 考虑到原油市场的复杂性和期货市场的高投资风险，原油期货市场增加利润的策略无疑是投资者的一个关键问题。 这也是学术界需要解决的重要问题。 近年来，这个问题在能源金融文献中受到越来越多的关注 [26,27]。 在本文中，我们提出了一种新方法来确定最优动态移动平均交易规则，以帮助交易者在原油期货市场做出投资决策。 技术分析是金融市场价格预测和决策支持的有用工具。 技术指标已应用于各种金融市场，即股票市场 [28,29]，交换市场 [30,31]和期货市场 [32–34]，描述价格特征或预测价格趋势。 在这些指标中，移动平均线是广泛用于金融市场交易策略优化的最常用指标 [35–40] 因为它们可以帮助预测价格变化，并且很容易通过实际投资来实施。 交易者使用两个不同长度的移动平均线来预测价格趋势。 本文选择移动平均指标作为描述原油期货市场价格变化的基本指标，并为交易决策提供依据。

大多数现有的能源金融研究都使用静态移动

平均交易规则 [27,41–43]。 但是，静态移动平均线交易规则有一些缺点。 首先，在这些研究中总是使用的一段时期的简单平均价格无法描述一个时期内的价格波动，这些波动在做出交易决策时很重要。 此外，静态移动平均交易规则使用固定参数，而不管所有投资期间的价格变化。 在连续投资周期中，价格趋势可能显着变化，并且在投资期开始时确定的参数设置可能因此而不适合。 一些研究发现移动平均规则在实际应用中是无助的 [30,44]。 这很可能是由上述缺点引起的。

为了解决这些局限性，我们通过两个方面改进静态移动平均交易规则，为原油期货市场设计了动态移动平均交易规则。 首先，我们改进了用于计算移动平均线的方法。 我们在本文中使用自适应移动平均线，它可以反映计算期间价格波动率的差异。 自适应移动平均线可以改变价格权重，以反映计算期间的价格波动。 与简单移动平均线相比，这种计算方法可以更准确地预测价格，因为当价格波动更剧烈时，它会增加计算期末的权重 [45]。 另一项改进是在原油期货市场中使用动态交易规则。 动态交易规则可以更改以反映最近的表现，而不是固定参数，无论价格如何变化，都会设置固定参数。 考虑其他金融市场的类似研究已经证明，变量规则可以帮助交易者更科学地做出决策，并且动态规则越来越多地用于技术分析 [46–50]。 在本文中，参考规则用于修改投资期间的移动平均交易规则。 当前移动平均交易规则和参考规则的性能将在连续投资期内多次评估，并且当前交易规则将根据后续子期间的最佳参考规则进行改进。 因此，交易规则将适应价格和报价的变化

更好的投资建议。 通过以上两个修改，我们的动态移动平均交易规则将能够描述移动平均期和投资期的价格波动。

两个移动平均周期的长度，动态调整的频率和程度是我们原油期货市场动态移动平均交易规则的重要参数。 这些参数有很多选项，我们必须使用一些算法来确定最佳选择。 优化方法，如人工神经网络 [27,51,52]，粒子群优化 [53–56]和遗传算法 [32,57–59] 已经应用于现有研究中不同金融市场的一系列技术交易规则。 人工神经网络可以用来找到解决方案，而不完全理解因素的内在关系，因为它是一种“数据驱动和无模型”的黑盒方法 [60]。 遗传算法可以在大量可行解决方案中识别最优解 [61]。 在我们的论文中，我们想要找出动态交易规则的最佳参数设置。 交易规则的结构已在选择过程之前确定。 我们只需要找出合适的参数值。 对于这个问题，“GA相对于NN的一个优点是GA能够输出可理解的规则” [62]。 因此，我们使用遗传算法来选择原油期货市场中移动平均交易规则的最优期间长度，调整频率和调整量。 粒子群优化是一种通过迭代来优化最优解的方法。 在设计动态交易规则的结构时，我们参考粒子群优化的进化方法。

验证我们的动态交易规则是否有效帮助

交易者在原油期货市场赚取利润，我们将动态交易规则与买入持有（BH）策略和静态移动平均交易规则进行了比较。 在不同的市场环境下分析各类规则的表现，结果可以为不同价格波动模式下的投资策略提供信息。

总之，本文着重于选择原油期货市场的最优移动平均交易规则。 我们设计了一种“动态”移动平均交易规则，可以通过自我调整来适应市场变化。 遗传算法用于查找动态交易规则的最佳参数设置。 结果证明，这种方法有助于投资者在实际应用中获利。 根据我们的调查结果，为交易者提供有关何时以及如何在不同情况下使用移动平均交易规则的投资建议。

本文的其余部分安排如下。 部分 2 描述了用于确定原油期货市场中最优移动平均交易规则的方法和数据。 部分 3 介绍实验结果。 部分 4 讨论了实验结果和Section 5 总结了这篇论文。

1. 方法
   1. 动态规则的结构

交易者在不同的金融市场中使用多种类型的技术指标，包括最高价格，最低价格，价格变化率和平均价格。 人们认识到，过去价格的数学指标可用于预测价格趋势并帮助做出投资决策 [63,64]。 对于原油期货市场，我们还可以使用技术指标通过使用历史数据预测价格趋势来帮助做出投资决策。 在本文中，两个不同时期的两个移动平均线用于建立我们的移动平均交易规则。 移动平均交易规则通过将短期内的平均价格与平均价格进行比较来告知投资决策

1610 L. Wang等。 / Applied Energy 162（2016）1608-1618

长期价格。 短期平均值对价格变化比对长期平均值更敏感，因此当短期平均价格高于长期平均价格时会采取多头头寸。 当短期移动平均价格低于长期移动平均价格时，采取空头头寸。

六种计算方法可用于移动平均交易规则。 这些包括简单移动平均线（SMA），加权移动平均线（WMA），指数移动平均线（EMA），典型价格移动平均线（TPMA），三角形移动平均线（TMA）和自适应移动平均线（AMA） [45]。 SMA是计算期间价格的平均值。 WMA是价格的加权平均值，权重分布遵循从最新值到最旧值的线性递减过程。 EMA是加权价格的总和值，其价格权重遵循指数分布。 对于TPMA，结果是三个典型值的平均值：计算期间的最大值，最小值和最后一天的价格。 TMA是简单移动平均价格的简单移动平均线，它忽略了短时间尺度内的更多信息。 AMA是EMA的改进，它可以根据价格变化改变重量分布。

在六种计算方法中，AMA是最复杂的。 但是，AMA可以描述比其他方法更多的价格特征 [65,66]。 AMA由Perry Kaufman在其“智慧交易”一书中提出。 [67]。 AMA的结果与计算期间价格的趋势和波动有关。 具有相同平均价格的两个时段可具有不同的AMA值。 AMA类似于EMA，这两种方法都强调了决策日附近价格的重要性。 当前值计算为移动平均期间最后一天的先前值和价格的加权和。 但是，EMA使用相同的权重分布，这些权重分配始终是固定的，而对于AMA，最后一天的价格权重由整个计算期间的波动确定。

使用AMA，即n天期间的移动平均价格

是的

AMAeth;tTHORN;frac14;AMAeth;t - 1THORN;thorn;SSC²eth;p - AMAeth;t - 1THORN;THORN; eth;1THORN;

t t

哪里

四个参考交易规则用于调整与当前交易规则相关联的移动平均周期的长度。 每个参考规则更改与当前规则关联的一个周期的长度，这意味着更长或更短的移动平均周期。 在投资期间的每个评估周期结束时，将评估四个参考规则和当前规则的性能。 如果最佳规则是参考规则之一，则将替换当前的交易规则。 我们的移动平均交易规则可以通过这种调整机制动态适应价格变化。 该机制的想法来自粒子群优化方法 [54,68]。 因此，移动平均交易规则可以具有在投资周期期间进行自我修改的适应性。 在这种情况下，我们不需要使用大量的参考规则，原因有两个。 首先，在投资期开始时使用遗传算法选择交易规则。 其次，四个参考规则延长或缩短了两个移动平均计

剩余内容已隐藏，支付完成后下载完整资料

Applied Energy 162（2016）1608-1618

Directory listing is available at Science through train

Applied energy

Journal homepage: World Wide Web. Elsevier.com/locate/ apenergy

Using genetic methods to select dynamic moving average trading rules ^q in the crude oil futures market

Wang Lijun ^a,bHai Zhongan ^a,b,c,uArr;Liu Xiaojia ^a,bHuang Wei ^a,b

aSchool of Humanities and Economic Management, China University of Geosciences, Beijing 100083, China

b Key Laboratory of Resource and Environmental Carrying Capacity Evaluation, Ministry of Land and Resources, Beijing 100083, China

c Laboratory of Resources and Environmental Management, China University of Geosciences, Beijing 100083, China

Emphasize

• We use genetic algorithms to select trading rules for the crude oil futures market.
• The rules can be dynamically adjusted based on the performance of the reference rules.
• The trading rules generated by this method can make a profit in actual investment.
• They are more favorable to traders than static moving average trading rules.
• Based on our findings, we provide investment advice to traders in the app.

a r t i c l e i n f o

Article history:

Received on October 20, 2014

Received the revised form on August 24, 2015 and accepted on August 31, 2015

Available online September 14, 2015

Key words:

Technical Analysis of Genetic Algorithms in Crude Oil Futures Market

Moving average trading rule

Summary

Strategies to increase investment profits in the crude oil futures market are an important issue for energy finance investors. This paper proposes a method for generating dynamic moving average trading rules in the crude oil futures market. Adaptive moving average calculations are used to better describe fluctuations and can dynamically adjust trading rules during investment based on the performance of the four reference rules. We use genetic algorithms to select the best dynamic moving average trading rules from a large number of possible parameters. Our results show that dynamic trading rules can help traders profit in the crude oil futures market and are more effective than the BH strategy in the price decline process. In addition, dynamic moving average trading rules are more favorable to traders than static trading rules, and the advantages become more pronounced in the long-term investment cycle. The length of two dynamic moving average trading rules is closely related to price fluctuations. Dynamic trading rules will perform well when the market is hit by major energy-related events. When selecting a technical trading rule in an actual investment, investment advice is given, which is helpful to the trader.

copy;2015 Elsevier Ltd. All rights reserved.

1. Introduction

Crude oil is the foundation of a countrys economic development. With the process of globalization and financialization, crude oil is regarded as an important financial asset, not just a commodity. [1]. The crude oil futures market plays a vital role in finance

q This article is based on a short paper in Energy Procedia Volume 161 (2014). It has undergone significant revisions and extensions and is subject to the journals normal peer review and revision process. This article is included in the special issue of ICAE 2014 edited by Professor J Yan, Professor DJ Lee, Professor SK Chou and Professor U Desideri.

uArr; Corresponding author: School of Economics and Management, Humanities,

China University of Geosciences, Beijing 100083, China Tel: 86 1082323783.

Email address: ahz369＠163.com(H. An).

market. Investors usually make investment decisions in the crude oil futures market based on forecasts of oil price fluctuations. [2]. Scholars use different methods [3], such as neural networks and genetic algorithms [4–6]Multiple linear regression [7]Support vector machine [8,9]And wavelet analysis [10] Forecast oil prices in different markets. Integrated intelligent method combining multiple algorithms [11–13] frequently used. The analysis of the crude oil futures market is getting more and more attention. Through technical analysis, people try to find some valuable information in the crude oil market in different ways to help traders make investment decisions. [14,15]. In order to find useful investment information, scholars in the field studied the efficiency of the crude oil futures market. [16,17], the correlation between crude oil prices and other financial assets [18,19]Influencing factor

http://dx.doi.org/10.1016/j.apenergy.2015.08.132 0306-2619 /copy;2015 Elsevier Ltd. All rights reserved.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[277030]，资料为PDF文档或Word文档，PDF文档可免费转换为Word