Ανάπτυξη λογισμικού και δυναμικής μεθόδου τεχνητής νοημοσύνης ανάλυσης χρονοσειρών και λήψης βέλτιστων αποφάσεων, με εφαρμογές στα συστήματα συναλλαγών

Η διεργασία της ανάδρομης δοκιμής (backtesting) χρησιμοποιείται ευρέως σήμερα στην πρόβλεψη με δοκιμαστικά τεστ. Η μέθοδος αυτή χρησιμοποιείται για τον υπολογισμό της κερδοφορίας ενός συστήματος συναλλαγών, εφαρμοζόμενο σε συγκεκριμένη παρελθούσα περίοδο. Τα δεδομένα που χρησιμοποιούνται, αντιστοιχούν σε αυτή την συγκεκριμένη παρελθούσα περίοδο και ονομάζονται "ιστορικά δεδομένα" ή "δεδομένα εκπαίδευσης”.Υπάρχει μία πληθώρα συστημάτων συναλλαγών, τα οποία περιέχουν τεχνικούς δείκτες, δείκτες που ακολουθούν την τάση, ταλαντωτές, δείκτες ελέγχου επιπέδου τιμής, κλπ. Σήμερα συνηθίζεται, για τον υπολογισμό των τιμών των τεχνικών δεικτών να χρησιμοποιείται σε σχέση με τις τιμές των αξιογράφων ή μετοχών, για δεδομένα εκπαίδευσης σε ασαφή συστήματα και σε μηχανές υποστήριξης ανυσμάτων και παλινδρομήσεων (SVM/SVR). Είτε τα δεδομένα χρησιμοποιούνται σε ασαφή συστήματα, ή σε SVΜ και SVR συστήματα εκπαίδευσης, η επιλογή χρονικής περιόδου (διαστήματος) ιστορικών δεδομένων, στις περισσότερες περιπτώσεις στερείται επικύρωσης ή αξιολόγησης (Στην συγκεκριμένη διατριβή, τα ιστορικά δεδομένα λογίζονται ως δεδομένα εκπαίδευσης).Τεκμηριώνουμε ότι ένα τέτοιο σύστημα συναλλαγών, φτάνει στα άκρα της κερδοφορίας –όσο αφορά σε μελλοντικές συναλλαγές- εν συγκρίσει με τις γνωστές στρατηγικές συστημάτων συναλλαγών οι οποίες απλοϊκά ενσωματώνουν βελτιστοποίηση παραμέτρων. Για το σκοπό αυτό, πρώτα από όλα, , μία βέλτιστη περίοδο ιστορικών δεδομένων πρέπει να καθορίζεται, δευτερευόντως πρέπει να ολοκληρώνεται ένας υπολογισμός βελτιστοποίησης παραμέτρων και τέλος οι ορθές συνθήκες παραμέτρων πρέπει να εφαρμόζεται για την επιλογή των βέλτιστων τιμών των παραμέτρων.Σε αυτήν την προσέγγιση, αναπτύσσουμε έναν ολοκληρωμένο δυναμικό αλγόριθμο υπολογισμού επιλογής βέλτιστης περιόδου ιστορικών δεδομένων, περιοδικά. Επιπρόσθετα, δοκιμάζουμε τιμές και σχέσεις παραμέτρων μέσω back-testing, χρησιμοποιώντας τεχνολογία πολλών πρακτόρων, ενσωματωμένα σε ένα αυτοματοποιημένο σύστημα συναλλαγών βασισμένο στον τεχνικό δείκτη MACD. Αυτή η δυναμική μέθοδος υπολογισμού (d-BackTest method) μπορεί να χρησιμοποιηθεί, ανεξάρτητα από το δείκτη MACD, σε άλλους τεχνικούς δείκτες, σε ασαφή, σε SVR & SVM συστήματα πρόβλεψης. Το αποτέλεσμα είναι ένα αυτόνομο σύστημα συναλλαγών τεχνητής νοημοσύνης.