Moving Average Genetic Algorithm

Usando Algoritmos Genéticos Para Previsão de Mercados Financeiros Carregando o player. Burton sugeriu em seu livro A Random Walk Down Wall Street (1973) que um macaco de olhos vendados jogando dardos em uma página financeira de jornais poderia selecionar um portfólio que faria exatamente o mesmo que um cuidadosamente selecionado por especialistas. Enquanto a evolução pode ter feito o homem não mais inteligente na colheita de ações, Charles Darwins teoria tem muito eficaz quando aplicado mais diretamente. Algoritmos genéticos (GAs) são métodos de resolução de problemas (ou heurísticas) que imitam o processo de evolução natural. Ao contrário das redes neurais artificiais (RNAs), projetadas para funcionarem como neurônios no cérebro, esses algoritmos utilizam os conceitos de seleção natural para determinar a melhor solução para um problema. Como resultado, GAs são comumente usados ​​como otimizadores que ajustam parâmetros para minimizar ou maximizar alguma medida de realimentação, que pode então ser usada independentemente ou na construção de uma RNA. Nos mercados financeiros. Algoritmos genéticos são mais comumente usados ​​para encontrar os melhores valores de combinação de parâmetros em uma regra de negociação, e eles podem ser construídos em modelos de ANN projetado para escolher ações e identificar negócios. Vários estudos têm demonstrado que esses métodos podem ser eficazes, incluindo Genetics Algorithms: Genesis of Stock Evaluation (2004) por Rama, e The Applications of Genetic Algorithms in Stock Market Data Mining Optimization (2004) por Lin, Cao, Wang, Zhang. Como os Algoritmos Genéticos Funcionam Os algoritmos genéticos são criados matematicamente usando vetores, que são quantidades que têm direção e magnitude. Os parâmetros para cada regra comercial são representados com um vetor unidimensional que pode ser considerado como um cromossomo em termos genéticos. Entretanto, os valores utilizados em cada parâmetro podem ser pensados ​​como genes, que são então modificados usando a seleção natural. Por exemplo, uma regra de negociação pode envolver o uso de parâmetros como Moving Average Convergence-Divergence (MACD). Exponential Moving Average (EMA) e Estocástica. Um algoritmo genético poderia então introduzir valores nestes parâmetros com o objetivo de maximizar o lucro líquido. Ao longo do tempo, pequenas mudanças são introduzidas e aqueles que fazem um desejável impacto são mantidos para a próxima geração. Existem três tipos de operações genéticas que podem então ser realizadas: Crossovers representam a reprodução e crossover biológico visto na biologia, pelo qual uma criança assume certas características de seus pais. As mutações representam a mutação biológica e são utilizadas para manter a diversidade genética de uma geração de uma população para outra, introduzindo pequenas alterações aleatórias. As selecções são o estágio em que os genomas individuais são escolhidos de uma população para reprodução posterior (recombinação ou crossover). Estes três operadores são então utilizados em um processo de cinco passos: Inicializar uma população aleatória, onde cada cromossomo é n-comprimento, sendo n o número de parâmetros. Isto é, um número aleatório de parâmetros é estabelecido com n elementos cada. Selecione os cromossomos, ou parâmetros, que aumentam os resultados desejáveis ​​(presumivelmente lucro líquido). Aplique operadores de mutação ou crossover aos pais selecionados e gere uma prole. Recombinar a prole ea população atual para formar uma nova população com o operador de seleção. Repita os passos dois a quatro. Ao longo do tempo, este processo resultará em cromossomas cada vez mais favoráveis ​​(ou, parâmetros) para uso em uma regra comercial. O processo é então terminado quando um critério de paragem é cumprido, o que pode incluir tempo de execução, aptidão, número de gerações ou outros critérios. (Para mais informações sobre o MACD, leia Trading The MACD Divergence.) Usando Algoritmos Genéticos em Trading Enquanto algoritmos genéticos são usados ​​principalmente por comerciantes institucionais quantitativos. Os comerciantes individuais podem aproveitar o poder de algoritmos genéticos - sem um grau em matemática avançada - usando vários pacotes de software no mercado. Essas soluções variam de pacotes de software independentes voltados para os mercados financeiros para complementos do Microsoft Excel que podem facilitar análises mais práticas. Ao usar essas aplicações, os comerciantes podem definir um conjunto de parâmetros que são então otimizados usando um algoritmo genético e um conjunto de dados históricos. Alguns aplicativos podem otimizar quais parâmetros são usados ​​e os valores para eles, enquanto outros são focados principalmente em simplesmente otimizar os valores para um dado conjunto de parâmetros. (Para saber mais sobre estas estratégias derivadas do programa, consulte O Poder das Operações do Programa.) Dicas e Truques Importantes de Otimização O encaixe da curva (sobre o ajuste), projetando um sistema comercial em torno de dados históricos ao invés de identificar o comportamento repetível, algorítmos genéticos. Qualquer sistema de negociação que utilize GAs deve ser testado em frente no papel antes do uso ao vivo. Escolher parâmetros é uma parte importante do processo, e os comerciantes devem procurar parâmetros que se correlacionam com mudanças no preço de um determinado valor. Por exemplo, experimente diferentes indicadores e veja se alguns parecem se correlacionar com grandes turnos do mercado. O Bottom Line algoritmos genéticos são formas únicas de resolver problemas complexos, aproveitando o poder da natureza. Ao aplicar esses métodos para prever os preços dos títulos, os comerciantes podem otimizar as regras de negociação, identificando os melhores valores a serem usados ​​para cada parâmetro para um determinado valor. No entanto, esses algoritmos não são o Santo Graal, e os comerciantes devem ter cuidado para escolher os parâmetros certos e não ajuste de curva (sobre ajuste). (Para ler mais sobre o mercado, verifique para escutar o mercado, não seus Pundits.) Gerando a movimentação média de negociação Regras no mercado de futuros de petróleo com algoritmos genéticos 1 Faculdade de Ciências Humanas e Gestão Económica, China University of Geosciences, Pequim 100083, China Laboratório de Recursos e Gestão Ambiental, China University of Geosciences, Pequim 100083, China 4 Instituto de Chinax2019s Reforma Económica e Desenvolvimento, Universidade de Renmin Da China, Pequim 100872, China Recebido em 19 de fevereiro de 2014 Revisado em 4 de maio de 2014 Aceito em 7 de maio de 2014 Publicado em 26 de maio de 2014 Editor acadêmico: Wei Chen Copyright xa9 2014 Lijun Wang et al. Este é um artigo de acesso aberto distribuído sob a licença Creative Commons Attribution. Que permite o uso irrestrito, distribuição e reprodução em qualquer meio, desde que o trabalho original seja devidamente citado. Resumo O mercado de futuros de petróleo cru desempenha um papel crítico no financiamento de energia. Para obter maior retorno do investimento, estudiosos e comerciantes usam indicadores técnicos ao selecionar estratégias de negociação no mercado futuro de petróleo. Neste artigo, os autores usaram os preços médios móveis de futuros de petróleo com algoritmos genéticos para gerar regras comerciais lucrativas. Definimos indivíduos com diferentes combinações de comprimentos de período e métodos de cálculo como regras de negociação média móvel e utilizaram algoritmos genéticos para procurar os comprimentos adequados de períodos de média móvel e os métodos de cálculo apropriados. Os autores usaram os preços diários do petróleo bruto dos futuros NYMEX de 1983 a 2013 para avaliar e selecionar regras de média móvel. Comparamos as regras de negociação geradas com a estratégia de compra e retenção (BH) para determinar se as regras de negociação média móvel geradas podem obter retornos excedentes no mercado de futuros de petróleo bruto. Através de 420 experiências, determinamos que as regras de negociação geradas ajudam os comerciantes a fazer lucros quando há flutuações de preços óbvias. As regras de negociação geradas podem obter retornos excessivos quando o preço cai e experimenta flutuações significativas, enquanto a estratégia BH é melhor quando o preço aumenta ou é suave, com poucas flutuações. Os resultados podem ajudar os comerciantes a escolher melhores estratégias em diferentes circunstâncias. 1. Introdução A energia é vital para o desenvolvimento económico. As atividades domésticas, a produção industrial e os investimentos em infra-estrutura consomem energia direta ou indiretamente, independentemente de países em desenvolvimento ou desenvolvidos 1. As questões relacionadas com o comércio de energia 2, a eficiência energética 3, a política energética 4 x20136, o consumo de energia 7 e o financiamento de energia 8 têm recebido mais importância nos últimos anos. O mercado de futuros de petróleo cru é uma parte crucial do financiamento de energia no âmbito do mercado global de energia. Traders e pesquisadores empregam ferramentas de análise técnica para identificar regras lucrativas de negociação nos mercados financeiros. Por conseguinte, os indicadores de média móvel são comumente utilizados na análise técnica para actualizar maiores retornos. Este artigo tenta responder se na vida real um investidor pode usar a média móvel regras técnicas de negociação para obter retornos em excesso através da busca de regras de negociação média móvel rentável com algoritmos genéticos no mercado de futuros de petróleo cru. Os algoritmos genéticos são amplamente utilizados em ciências sociais 9. 10, especialmente em certas questões complexas onde é difícil realizar cálculos precisos. É uma tendência para aplicar métodos físicos ou matemáticos na economia de energia e recursos 11 x201316. Os pesquisadores aplicaram algoritmos genéticos para a previsão da produção de carvão - poluição ambiental 17, seleção interna e seleção de mercado no mercado 18, previsão de demanda de petróleo bruto 19, minimização de custos de combustível e emissões gasosas de geração de energia elétrica 20 e O sistema de comércio de Forex 21. Com relação às questões de análise técnica financeira, os estudiosos usam algoritmos genéticos para pesquisar as melhores regras de negociação e rentáveis ​​indicadores técnicos ao tomar decisões de investimento 22 x201325. Os algoritmos genéticos são combinados com outras ferramentas, como o modelo baseado em agentes 26, a teoria de matemática difusa 27 e as redes neurais 28. Existem também alguns estudos que têm utilizado algoritmos genéticos para prever as tendências de preços no mercado financeiro 29.30 ou a taxa de câmbio do mercado de câmbio 31. Como há um grande número de regras de negociação técnica e indicadores técnicos disponíveis no mercado de petróleo bruto, é impraticável usar cálculos ergódicos ou outros métodos de cálculo precisos. Portanto, usando algoritmos genéticos é uma maneira viável para resolver este problema. Indicadores de média móvel têm sido amplamente utilizados em estudos de mercados de ações e futuros 32 x201337. Duas médias móveis de comprimentos diferentes são comparadas para prever as tendências de preços em diferentes mercados. As médias móveis curtas são mais sensíveis às variações de preços do que as médias longas. Se um preço médio móvel curto é maior do que um preço médio móvel de longo período, os comerciantes vão acreditar que o preço vai subir e tomar posições longas. Quando o preço médio de curta movimentação cai e cruza com o longo, as atividades comerciais contrárias serão tomadas 38. Allen e Karjalainen (AK) 39 usaram algoritmos genéticos para identificar regras técnicas de negociação em mercados de ações com preços diários do Sx26P 500. O preço médio móvel foi usado como um dos muitos indicadores das regras técnicas. Outros indicadores, como o valor médio eo valor máximo, também são usados ​​quando se tomam decisões de investimento. Wang 40 conduziu uma pesquisa semelhante em mercados spot e de futuros usando programação genética, enquanto How 41 aplicou o método AKx2019s a diferentes estoques de tampão para determinar a relevância do tamanho. William, comparando diferentes regras técnicas e regras de redes neurais artificiais (RNAs) em relação ao mercado de futuros de petróleo, determinou que a RNA é uma boa ferramenta, lançando assim dúvidas sobre a eficiência do mercado de petróleo 38. Todos esses estudos combinam indicadores de média móvel com outros indicadores para gerar regras de negociação. No entanto, neste artigo, utilizamos médias móveis para gerar regras de negociação, o que pode ser uma abordagem simples e eficiente. O desempenho de uma regra de negociação média móvel é afetado significativamente pelo período comprimentos 42. Portanto, encontrar comprimentos ótimos dos dois períodos acima é uma questão central na literatura de análise técnica. Uma variedade de comprimentos foram experimentados em projetos de pesquisa existentes 43 x201348. Na pesquisa existente, a maioria das regras de média móvel usam médias fixas de média móvel e método de cálculo da média móvel. No entanto, é melhor utilizar tamanhos variáveis ​​para diferentes períodos de investimento 49. 50 e existem diferentes tipos de método de cálculo da média móvel que podem ser utilizados na análise técnica. Neste trabalho, considerando que o comprimento ótimo dos períodos de média móvel eo melhor método de cálculo podem variar de uma ocasião para outra, usamos algoritmos genéticos para determinar o comprimento adequado do período de média móvel eo método apropriado. Seis métodos de cálculo da média móvel são considerados neste artigo e os algoritmos genéticos podem nos ajudar a descobrir o melhor método e os comprimentos de período apropriados para diferentes circunstâncias. Consequentemente, estamos aptos a apresentar as regras de negociação de média móvel mais adequadas para os comerciantes no mercado de futuros de petróleo bruto. 2. Dados e método 2.1. Dados Usamos os preços diários do contrato futuro de petróleo bruto 1 para o período de 1983 a 2013 da New York Mercantile Exchange (fonte de dados: www. eia. gov/dnav/pet/petx5fprix5ffutx5fs1x5fd. htm). Selecionamos 20 grupos de dados de amostra, cada um contendo 1000 preços diários. Nos 1000 preços diários, uma série de preços de 500 dias é usada para treinar regras de negociação em cada geração. Os seguintes 200 preços são usados ​​para selecionar a melhor regra de negociação gerada de todas as gerações e os últimos 300 preços diários são usados ​​para determinar se a regra gerada pode adquirir retornos excedentes. O primeiro grupo começa em 1985, o último grupo termina em 2013, e cada série de preços de 1000 dias com um passo de 300 é selecionado. Devemos também incluir 500 preços mais diários antes de cada série de amostras para calcular os preços em movimento para o período de amostragem. Assim, cada experiência independente requer uma série de preços de 1500 dias. Os dados que usamos são apresentados na Figura 1. Figura 1: Seleção de dados. 2.2. Método Movendo regras de negociação média facilitar a tomada de decisão para os comerciantes, comparando duas médias móveis de diferentes períodos. Desta forma, os operadores podem prever a tendência dos preços analisando a volatilidade dos preços médios móveis. Existem seis indicadores de média móvel normalmente utilizados na análise técnica: média móvel simples (EMM), média móvel ponderada (EMM), média móvel exponencial (EMA), média móvel adaptativa (AMA), média móvel de preços típica (TPMA) e média triangular Média móvel (TMA). Os métodos de cálculo dos indicadores de média móvel são apresentados na Tabela 1. Tabela 1: Detalhes dos seis indicadores de média móvel. Para usar uma regra de negociação média móvel no mercado de futuros de petróleo, pelo menos três parâmetros devem ser definidos para estabelecer uma estratégia de negociação. Esses parâmetros incluem os comprimentos de dois períodos de média móvel ea escolha do método da média móvel dos seis tipos acima. Outros pesquisadores usaram diferentes comprimentos de períodos amostrais em seus estudos. Neste artigo, usamos algoritmos genéticos para determinar os comprimentos apropriados do período de média móvel. De acordo com a literatura existente, o longo período é geralmente entre 20 e 200 dias (muito poucos estudos usam períodos maiores que 200 dias) 38. 39, eo curto período geralmente não é superior a 60 dias. Se o preço médio longo for menor do que o preço médio curto, um trader tomará uma posição longa. Segue-se que, em situações opostas, serão adotadas estratégias opostas. Tomando nota da volatilidade dos preços no mercado de futuros, tomar uma posição longa quando o preço médio curto excede o preço médio por pelo menos um desvio padrão no curto período pode ser uma boa regra. Inversamente, tomar uma posição curta também pode ser uma boa regra. Portanto, criamos as duas regras em nossas regras comerciais iniciais. Os métodos de cálculo detalhados das seis médias móveis são apresentados na Figura 2. Figura 2: Estrutura das regras de negociação. Uma cadeia de 17 binários é usada para representar uma regra de negociação na qual uma substring de sete binários representa (MN) (x2009x2009 é o comprimento do período longo e é o comprimento do período curto) uma substring de seis binários é (pertence ao intervalo de 1 a 64) uma subcadeia binária representa o método de cálculo dos preços médios. Neste artigo, o intervalo de to é de 5 a 132. O último binário determina se é necessário alterar as estratégias de negociação somente quando houver mais de uma diferença de desvio padrão entre dois preços médios móveis. A estrutura das regras de negociação é apresentada na Figura 2. A adequação de uma regra de negociação é calculada de acordo com o lucro que pode fazer no mercado de futuros de petróleo bruto. Para comparar as regras de negociação geradas com a estratégia BH (buy-and-hold, tomando a posição longa ao longo do período), o lucro de uma regra gerada é a taxa de retorno excedente que excede a estratégia BH. O método de cálculo da taxa de retorno faz referência ao método AKx2019s. A diferença é que nós permitimos que um comerciante mantenha uma posição por um longo tempo, e nós não calculamos o retorno todos os dias. Considere é a taxa de retorno excedente de uma estratégia de posição longa, ou seja, a soma do retorno da posição comprada e posição curta. Rf é o retorno sem risco quando fora do mercado, e Rbh é a taxa de retorno da estratégia BH no período da amostra. Rm é a razão de margem do mercado de futuros. O parâmetro denota a taxa de custo de transação unidirecional. E representam o preço de abertura eo preço de fechamento de uma posição (longa ou curta), respectivamente. É o preço do primeiro dia em um período inteiro e é o preço do último dia. Como ignoramos a quantidade de mudança na margem diária e no prazo do contrato, um comerciante pode manter sua estratégia, tomando novas posições quando um contrato se aproxima de sua data de fechamento. O valor de aptidão é um número entre 0 e 2 calculado através de conversão não linear de acordo com Ra. O cálculo do valor da aptidão, seleção, cruzamento e mutação de indivíduos são implementados usando a caixa de ferramentas GA de Sheffield na plataforma Matlab. Em cada geração, para evitar a superação de dados de treinamento, a melhor regra comercial em cada geração será testada em um período de amostra de seleção (a série de preços de 200 dias). Somente quando o valor de aptidão é maior do que o melhor valor na última geração ou quando os dois valores são quase o mesmo (x3c 0,05), a regra de negociação pode ser marcada como a melhor até agora. Em cada geração, 90 por cento da população serão selecionados para formar uma nova geração, enquanto os outros 10 por cento serão gerados aleatoriamente. Consequentemente, a evolução dos indivíduos utilizando algoritmos genéticos num único experimento independente pode ser resumida como se segue. Passo 1 (inicializar população). Criar aleatoriamente uma população inicial de 20 regras de negociação média móvel. Passo 2 (avaliar indivíduos). A aptidão de cada indivíduo é calculada na etapa de avaliação. O programa calcula os preços médios móveis em duas escalas diferentes durante o período de treinamento usando os dados auxiliares e determina as posições em cada dia de negociação. A taxa de retorno excedente de cada indivíduo é então calculada. Finalmente, o valor da aptidão de cada indivíduo é calculado de acordo com a taxa de retorno excedente. Passo 3 (lembre-se da melhor regra de negociação). Selecione a regra com o valor de aptidão mais alto e avalie-a para o período de seleção para obter sua taxa de retorno. Se for melhor do que ou não inferior à regra atual melhor, ele será marcado como a melhor regra comercial. Se sua taxa de retorno for menor ou menor que 0,05 acima da taxa atual, manteremos a regra atual como a melhor. Passo 4 (gerar nova população). Escolhendo 18 indivíduos de acordo com seus valores de aptidão, o mesmo indivíduo poderia ser selecionado mais de uma vez. Portanto, crie aleatoriamente 2 regras de negociação adicionais. Com uma probabilidade de 0,7, realizar uma operação de recombinação para gerar uma nova população. Consequentemente, todas as regras de recombinação serão mutadas com uma probabilidade de 0,05. Passo 5. Volte ao Passo 2 e repita 50 vezes. Passo 6 (teste a melhor regra de negociação). Teste a melhor regra de negociação conforme identificada pelo programa acima. Isso gerará a taxa de retorno e indicará se os algoritmos genéticos podem ajudar os comerciantes a atualizar retornos excedentes durante este período de amostra. 3. Resultados Como neste artigo não consideramos a quantidade de ativos, assumimos que a taxa de margem é de 0,05. De fato, como o parâmetro não tem efeito significativo nos resultados de nossa experiência, a taxa de retorno é aumentada vinte vezes. Com 20 tentativas em cada período, 420 experiências independentes são conduzidas para determinar a média móvel útil que negocia regras no mercado de futuros do óleo cru. Os preços que usamos para os 21 períodos são mostrados na Figura 3. Figura 3: Dados de amostra. Com base em estudos anteriores 39. 40. 51 e na decisão de selecionar um valor intermediário para este estudo, a taxa de custo de transação é fixada em 0,1x25 para os 420 experimentos. A taxa de retorno livre de risco é de 2x25, que se baseia principalmente na taxa de curto prazo das obrigações do Tesouro 41. Dos 420 julgamentos, 226 ganham lucros. Com uma taxa média de retorno de 1,446, conclui-se que os algoritmos genéticos podem facilitar os comerciantes para obter retornos no mercado de futuros de petróleo bruto. No entanto, as regras de negociação média móvel identificadas por algoritmos genéticos não resultam em retornos excessivos, pois há apenas 8 períodos em que as regras de negociação geradas resultaram em comerciantes recebendo retornos excedentes. Dado que o preço dos futuros do petróleo bruto aumentou muitas vezes durante o período da amostra, afirmamos ainda que os algoritmos genéticos são úteis em investimentos. Para uma melhor compreensão, dividimos os 21 períodos em 4 categorias de acordo com os resultados (ver a última coluna da Tabela 2). Tabela 2: Resultados da experiência. Categoria 1 (períodos 2, 3 e 9). Nestes períodos, as regras de negociação geradas não só ajudam os comerciantes obter retornos, mas também ajudá-los a perceber retornos excedentes. As regras de negociação geradas geram mais lucros do que a estratégia BH nos períodos 3 e 9. No período 2, a estratégia de BH perde dinheiro, enquanto as regras de negociação geradas, como determinado pelos algoritmos genéticos, resultam em lucros. Assim, as regras de negociação geradas são muito superiores à estratégia da BH neste período. Uma característica comum destes três períodos na categoria 1 é que os preços do petróleo bruto caíram durante o período de ensaio e experimentaram flutuações significativas. Categoria 2 (períodos 5, 8, 12, 16 e 18). As regras de negociação média móvel geradas não geram lucros durante esses cinco períodos. Mesmo assim, as regras geradas obtiveram melhores resultados do que a estratégia da BH, pois reduziram significativamente as perdas. Nestes períodos, os preços desceram suavemente, experimentando algumas flutuações pequenas durante o processo. Categoria 3 (períodos 1, 6, 7, 10, 11, 14, 15 e 17). Nestes oito períodos de dados de amostra, os algoritmos genéticos ajudam os comerciantes a identificar regras de negociação de média móvel adequadas. No entanto, os comerciantes não conseguiram obter retornos excedentes. Enquanto os preços aumentam constantemente nesses períodos, há também algumas pequenas flutuações, o que faz com que os algoritmos genéticos sejam inferiores à estratégia de BH nesses períodos. Categoria 4 (períodos 4, 13, 19, 20 e 21). As regras de negociação de algoritmos genéticos demonstram um fraco desempenho nestes cinco períodos. No período 21, a estratégia BH produz retornos negativos. Nossas regras de negociação genética produzem perdas mais severas. A estratégia da BH é considerada superior às regras de negociação geradas nos outros quatro períodos, uma vez que a estratégia da BH produz retornos. Embora não haja mudanças significativas no nível de preços nestes períodos, os preços estão em estados voláteis ao longo dos cinco períodos. Leves mudanças de preços sem tendências aparentes tornam as regras de negociação geradas impotentes na previsão de mudanças de preços e no fornecimento de retornos. Usamos algoritmos genéticos para pesquisar boas regras de negociação em média móvel para os comerciantes no mercado de petróleo bruto. O quadro 3, que mostra o número médio de e para cada período, indica que o valor do período longo () tem uma estreita relação com a volatilidade dos preços no período da amostra. Um grande é definido em períodos com flutuações significativas e um pequeno é selecionado para períodos em que o preço é relativamente estável. Tabela 3: O valor médio de e em cada período. A distribuição de é mostrada na Figura 4. O valor de Probabilidade é muito pequeno e não segue a distribuição normal. A figura apresenta uma cauda típica característica típica com uma curtose de 2,36. Em comparação com a distribuição normal, há mais valores localizados nas caudas da distribuição em nossos resultados. Apenas na metade dos 420 experimentos, é entre 70 dias e 130 dias. Os valores são descentralizados e acreditamos que é mais científico escolher os melhores comprimentos dos dois períodos usando um processo de treinamento que usamos neste artigo em investimento real. Figura 4: Distribuição de. Entre os seis métodos de cálculo da média móvel, AMA e TMA são usados ​​com mais freqüência do que os outros quatro (ver Tabela 4), já que mais de metade das regras de negociação de média móvel gerada usam AMA ou TMA. Um pequeno número de regras de negociação geradas usa WMA e EMA, enquanto TPMA e SMA, que são fáceis de calcular, são freqüentemente usados ​​em alguns períodos, como períodos 1, 2, 3, 12, 19 e 21. Tabela 4: Cálculo Preços médios em cada período. A seleção do método de cálculo está associada às tendências de preços e à volatilidade. A Figura 5 mostra que a TPMA é utilizada 31 vezes nas 60 experiências independentes nos períodos 2, 3 e 9 (Categoria 1). Diferente da proporção global, TPMA é o método de cálculo mais popular quando o preço cai durante o período e experimentou flutuações significativas. AMA é o método mais popular nas outras três categorias. EMA nunca é usado em categorias 1 e 4. No entanto, ele tem uma proporção 24x25 na categoria 2, mais de TMA, SMA, TPMA e WMA. As proporções de TMA e SMA não têm diferenças significativas em diferentes categorias. Na categoria 4, os preços mudam sem tendências aparentes. Nenhum método tem vantagem óbvia sobre os outros. Figura 5: Proporções de métodos em diferentes categorias. Os resultados de 20 experimentos no mesmo período indicam alta consistência no valor sd (Tabela 5). Quando os preços flutuam, como nos períodos 1, 2, 7, 8, 13, 19 e 20, então não abrir posições até que um preço médio exceda outro em pelo menos um desvio padrão é a melhor opção. Quando o preço é relativamente estável, uma decisão de investimento deve ser feita imediatamente, enquanto as duas médias móveis se cruzam. Tabela 5: Números de regras de negociação em que sd 1. 4. Discussão Este artigo tenta gerar regras de negociação média móvel no mercado de futuros de petróleo usando algoritmos genéticos. Diferentemente de outros estudos, utilizamos apenas médias móveis como indicadores técnicos para identificar regras úteis de negociação média móvel, sem quaisquer outras ferramentas ou indicadores de análise técnica complexa. Moving regras de negociação média são fáceis para os comerciantes para operar, e eles são simples, independentemente da situação. Para identificar as melhores regras de negociação no mercado de futuros de petróleo cru, usamos algoritmos genéticos para selecionar todos os parâmetros na média móvel regras de negociação dinamicamente ao invés de fazê-lo de forma fixa. De acordo com nossos cálculos genéticos, usando algoritmos genéticos para descobrir os melhores comprimentos dos dois períodos de média móvel é defendida porque os comprimentos gerados diferem entre si em diferentes tendências de preços. As regras estáveis ​​de negociação média móvel com comprimentos de período fixo não podem se adaptar a flutuações complexas de preço em períodos diferentes. Um processo de treinamento, no entanto, que leva em consideração as características dinâmicas das flutuações de preços, pode ajudar os comerciantes a descobrir os comprimentos ótimos dos dois períodos de movimento de uma regra de negociação. Entre os seis métodos de média móvel, o AMA e TMA são os mais populares entre as regras de negociação geradas como estes dois métodos têm a capacidade de se adaptar às tendências de preços. A AMA pode alterar os pesos do preço atual de acordo com a volatilidade nos últimos dias. Como a TMA é a média da SMA, ela reflete com maior precisão o nível de preços. No entanto, a selecção do melhor método de cálculo da média móvel é afectada pela evolução dos preços. Os comerciantes podem escolher métodos mais cientificamente de acordo com as tendências de preços e flutuações. Com base nos resultados da nossa experiência, a TPMA é uma escolha ideal quando o preço experimenta um processo de declínio com flutuações significativas e a geração de regras de negociação média móvel é excelente em comparação com a estratégia da BH nessas ocasiões. Embora EMA toma uma proporção muito pequena no total 420 experiências, é também um método aplicável diferente de AMA quando o preço cai sem problemas. Para os períodos em que a volatilidade dos preços é aparente, as decisões não serão tomadas até que a diferença entre as duas médias exceda o desvio padrão dos preços de amostra curtos, reduzindo assim o risco de transação. No entanto, este método não é adequado para um período em que o preço é relativamente estável. Nestas situações, a hesitação pode às vezes causar comerciantes a perder oportunidades de lucro possível. Como um todo, as regras de negociação média móvel gerado pode ajudar os comerciantes a fazer lucros a longo prazo. No entanto, algoritmos genéticos não podem garantir o acesso a receitas adicionais em cada período, uma vez que só são úteis na aquisição de retornos excedentes em situações especiais. As regras de negociação média móvel geradas demonstram um desempenho excepcional quando o preço do petróleo bruto cai com flutuações significativas. A estratégia BH perderá nessas ocasiões, enquanto a regra de negociação gerada pode ajudar os comerciantes a prever uma queda no preço e reduzir as perdas. Nossas regras de negociação também rendem retornos positivos durante as flutuações pela mudança oportuna de posições. Quando o preço cair suavemente com poucas flutuações no processo, as regras de negociação geradas podem render retornos excedentes comparados à estratégia de BH. Embora algoritmos genéticos não podem ajudar os comerciantes a receber retornos positivos durante esses períodos, os algoritmos podem ajudar os comerciantes a reduzir a perda, mudando de posição com a mudança das tendências de preços. Quando o preço é estável ou aumenta suavemente, as regras geradas podem gerar retornos. No entanto, eles não podem gerar mais retornos do que a estratégia BH. Retornos limitados não podem pagar os custos de transação. Quando o preço cai, as regras geradas podem ser superiores à estratégia da BH. Algoritmos genéticos também podem ajudar os comerciantes a fazer lucros no processo de aumentos de preços com pequenas flutuações. Nestes períodos, a estratégia da BH é melhor do que as regras de negociação geradas porque as transações no processo geram custos de transação e podem perder algumas oportunidades de lucro. As regras de negociação média móvel geradas têm mau desempenho se não houver tendências notáveis ​​na mudança de preço. In these periods, moving average indicators cannot find profit opportunities because the volatility is too small. The trends of price changes are delayed by the moving average method. Therefore, when a decision is made, the price trend must also change, and as a result, there is no doubt that the trader will experience deficits. Using genetic algorithms, moving average trading rules do help traders to gain returns in the actual futures market. We also identified the best lengths for the two periods with respect to moving average rules and recommend the moving average calculation method for the crude oil futures market. Technical trading rules with only moving average indicators generated by genetic algorithms demonstrate no sufficient advantages compared to the BH strategy because the overall price increased during the 30-year period. Nevertheless, generated moving trading rules are beneficial for traders under certain circumstances, especially when there are significant changes in prices. In this paper, we search best trading rules according to the return rate of each one without regard to asset conditions and open interest, which proves to be the greatest limitation of the study. To improve the accuracy of the results, a simulation with actual assets is recommended. Accordingly, we will undertake this endeavor in a subsequent research. 5. Concluding Remarks We conclude that the genetic algorithms identify better technical rules that allow traders to actualize profits from their investments. While we have no evidence to demonstrate that generated trading rules result in greater returns than does the BH strategy, our conclusion is consistent with the efficient market hypothesis. While generated trading rules facilitate traders in realizing excess returns with respect to their investing activities under specific circumstances, they cannot, at least by using moving average trading rules, ensure more long-term excess returns than the BH strategy. With respect to the selection of two periods, finding out optimal lengths using genetic algorithms is helpful for making more profits. Of the six moving average indicators, AMA and TMA are the most popular moving average calculation methods for the crude oil futures market in total, while TPMA is an outstanding method in some occasion. When the crude oil prices demonstrate notable volatility, a trader is advised to wait until the difference of the two moving averages exceeds the standard deviation of the short period and vice versa. Based on the above analysis, it is better to use BH strategy when the price increases or is stable. However, generated moving average trading rules are better than BH strategy when crude oil futures price decreases. With respect to the moving average calculation method, it is advocated to use TPMA when price falls with significant fluctuations and AMA when price falls smoothly, although TPMA is not a popular method overall. We propose variable moving average trading rules generated by training processes rather than static moving average trading rules in the crude oil futures markets. Conflict of Interests The authors declare that there is no conflict of interests regarding the publication of this paper. Authorsx2019 Contribution Model design was done by Haizhong An, Lijun Wang, and Xuan Huang, program development and experiments performance were done by Xiaojia Liu and Lijun Wang, data analysis was done by Haizhong An, Xiaohua Xia, and Xiaoqi Sun, paper composition was done by Lijun Wang, Xiaohua Xia, and Xiaojia Liu, and literature retrieval and manuscript editing were done by Xiaojia Liu, Xuan Huang, and Xiaoqi Sun. Acknowledgments This research was partly supported by the NSFC (China) (Grant no. 71173199) and Humanities and the Social Sciences planning funds project under the Ministry of Education of the PRC (Grant no. 10YJA630001). The authors would like to acknowledge valuable suggestions from Wei Fang, Xiaoliang Jia, and Qier An. References Z. M. Chen and G. Q. Chen, Demand-driven energy requirement of world economy 2007: a multi-region input-output network simulation, Communications in Nonlinear Science and Numerical Simulation . Vol. 18, no. 7, pp. 17571774, 2013. View at Publisher View at Google Scholar G. Wu, L.-C. Liu, and Y.-M. Wei, Comparison of Chinax27s oil import risk: results based on portfolio theory and a diversification index approach, Energy Policy . Vol. 37, no. 9, pp. 35573565, 2009. View at Publisher View at Google Scholar View at Scopus X. H. Xia, G. T. Huang, G. Q. Chen, B. Zhang, Z. M. Chen, and Q. Yang, Energy security, efficiency and carbon emission of Chinese industry, Energy Policy . Vol. 39, no. 6, pp. 35203528, 2011. View at Publisher View at Google Scholar View at Scopus X. H. Xia and G. Q. Chen, Energy abatement in Chinese industry: cost evaluation of regulation strategies and allocation alternatives, Energy Policy . Vol. 45, pp. 449458, 2012. View at Publisher View at Google Scholar N. Cui, Y. Lei, and W. Fang, Design and impact estimation of a reform program of Chinax27s tax and fee policies for low-grade oil and gas resources, Petroleum Science . Vol. 8, n�. 4, pp. 515526, 2011. View at Publisher View at Google Scholar View at Scopus Y. L. Lei, N. Cui, and D. Y. Pan, Economic and social effects analysis of mineral development in China and policy implications, Resources Policy . Vol. 38, pp. 448457, 2013. View at Publisher View at Google Scholar Z. M. Chen and G. Q. Chen, An overview of energy consumption of the globalized world economy, Energy Policy . Vol. 39, no. 10, pp. 59205928, 2011. View at Publisher View at Google Scholar View at Scopus N. Nomikos and K. Andriosopoulos, Modelling energy spot prices: empirical evidence from NYMEX, Energy Economics . Vol. 34, no. 4, pp. 11531169, 2012. View at Publisher View at Google Scholar G. B. Ning, Z. J. Zhen, P. Wang, Y. Li, and H. X. Yin, Economic analysis on value chain of taxi fleet with battery-swapping mode using multiobjective genetic algorithm, Mathematical Problems in Engineering . Vol. 2012, Article ID 175912, 15 pages, 2012. View at Publisher View at Google Scholar S. Chai, Y. B. Li, J. Wang, and C. Wu, A genetic algorithm for task scheduling on NoC using FDH cross efficiency, Mathematical Problems in Engineering . Vol. 2013, Article ID 708495, 16 pages, 2013. View at Publisher View at Google Scholar G. Q. Chen and B. Chen, Resource analysis of the Chinese society 1980x20132002 based on exergy. Part 1: fossil fuels and energy minerals, Energy Policy . Vol. 35, no. 4, pp. 20382050, 2007. View at Publisher View at Google Scholar View at Scopus Z. Chen, G. Chen, X. Xia, and S. Xu, Global network of embodied water flow by systems input-output simulation, Frontiers of Earth Science . Vol. 6, no. 3, pp. 331344, 2012. View at Publisher View at Google Scholar Z. M. Chen and G. Q. Chen, Embodied carbon dioxide emission at supra-national scale: a coalition analysis for G7, BRIC, and the rest of the world, Energy Policy . Vol. 39, no. 5, pp. 28992909, 2011. View at Publisher View at Google Scholar View at Scopus H. Z. An, X.-Y. Gao, W. Fang, X. Huang, and Y. H. Ding, The role of fluctuating modes of autocorrelation in crude oil prices, Physica A . Vol. 393, pp. 382390, 2014. View at Publisher View at Google Scholar X.-Y. Gao, H.-Z. An, H.-H. Liu, and Y.-H. Ding, Analysis on the topological properties of the linkage complex network between crude oil future price and spot price, Acta Physica Sinica . Vol. 60, no. 6, Article ID 068902, 2011. View at Google Scholar View at Scopus X.-Y. Gao, H. Z. An, and W. Fang, Research on fluctuation of bivariate correlation of time series based on complex networks theory, Acta Physica Sinica . Vol. 61, no. 9, Article ID 098902, 2012. View at Publisher View at Google Scholar S. Yu and Y.-M. Wei, Prediction of Chinax27s coal production-environmental pollution based on a hybrid genetic algorithm-system dynamics model, Energy Policy . Vol. 42, pp. 521529, 2012. View at Publisher View at Google Scholar View at Scopus S. Geisendorf, Internal selection and market selection in economic genetic algorithms, Journal of Evolutionary Economics . Vol. 21, no. 5, pp. 817841, 2011. View at Publisher View at Google Scholar View at Scopus R. Tehrani and F. Khodayar, A hybrid optimized artificial intelligent model to forecast crude oil using genetic algorithm, African Journal of Business Management . Vol. 5, pp. 1313013135, 2011. View at Google Scholar A. M. Elaiw, X. Xia, and A. M. Shehata, Minimization of fuel costs and gaseous emissions of electric power generation by model predictive control, Mathematical Problems in Engineering . Vol. 2013, Article ID 906958, 15 pages, 2013. View at Publisher View at Google Scholar View at MathSciNet L. Mendes, P. Godinho, and J. Dias, A Forex trading system based on a genetic algorithm, Journal of Heuristics . Vol. 18, no. 4, pp. 627656, 2012. View at Publisher View at Google Scholar M. C. Roberts, Technical analysis and genetic programming: constructing and testing a commodity portfolio, Journal of Futures Markets . Vol. 25, no. 7, pp. 643660, 2005. View at Publisher View at Google Scholar View at Scopus J.-Y. Potvin, P. Soriano, and V. Maxime, Generating trading rules on the stock markets with genetic programming, Computers and Operations Research . Vol. 31, no. 7, pp. 10331047, 2004. View at Publisher View at Google Scholar View at Scopus A. Esfahanipour and S. Mousavi, A genetic programming model to generate risk-adjusted technical trading rules in stock markets, Expert Systems with Applications . Vol. 38, no. 7, pp. 84388445, 2011. View at Publisher View at Google Scholar View at Scopus M. A. H. Dempster, T. W. Payne, Y. Romahi, and G. W. P. Thompson, Computational learning techniques for intraday FX trading using popular technical indicators, IEEE Transactions on Neural Networks . Vol. 12, no. 4, pp. 744754, 2001. View at Publisher View at Google Scholar View at Scopus T. Nakashima, Y. Yokota, Y. Shoji, and H. Ishibuchi, A genetic approach to the design of autonomous agents for futures trading, Artificial Life and Robotics . Vol. 11, no. 2, pp. 145148, 2007. View at Publisher View at Google Scholar View at Scopus A. Ghandar, Z. Michalewicz, M. Schmidt, T.-D. To, and R. Zurbrugg, Computational intelligence for evolving trading rules, IEEE Transactions on Evolutionary Computation . Vol. 13, no. 1, pp. 7186, 2009. View at Publisher View at Google Scholar View at Scopus W. L. Tung and C. Quek, Financial volatility trading using a self-organising neural-fuzzy semantic network and option straddle-based approach, Expert Systems with Applications . Vol. 38, no. 5, pp. 46684688, 2011. View at Publisher View at Google Scholar View at Scopus C.-H. Cheng, T.-L. Chen, and L.-Y. Wei, A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting, Information Sciences . Vol. 180, no. 9, pp. 16101629, 2010. View at Publisher View at Google Scholar View at Scopus P.-C. Chang, C.-Y. Fan, and J.-L. Lin, Trend discovery in financial time series data using a case based fuzzy decision tree, Expert Systems with Applications . Vol. 38, no. 5, pp. 60706080, 2011. View at Publisher View at Google Scholar View at Scopus G. A. Vasilakis, K. A. Theofilatos, E. F. Georgopoulos, A. Karathanasopoulos, and S. D. Likothanassis, A genetic programming approach for EUR/USD exchange rate forecasting and trading, Computational Economics . Vol. 42, no. 4, pp. 415431, 2013. View at Publisher View at Google Scholar I. A. Boboc and M. C. Dinica, An algorithm for testing the efficient market hypothesis, PLoS ONE . Vol. 8, n�. 10, Article ID e78177, 2013. View at Publisher View at Google Scholar W. Cheung, K. S. K. Lam, and H. F. Yeung, Intertemporal profitability and the stability of technical analysis: evidences from the Hong Kong stock exchange, Applied Economics . Vol. 43, no. 15, pp. 19451963, 2011. View at Publisher View at Google Scholar View at Scopus H. Dewachter and M. Lyrio, The economic value of technical trading rules: a nonparametric utility-based approach, International Journal of Finance and Economics . Vol. 10, no. 1, pp. 4162, 2005. View at Publisher View at Google Scholar View at Scopus A. Fernxe1ndez-Pxe9rez, F. Fernxe1ndez-Rodrxedguez, and S. Sosvilla-Rivero, Exploiting trends in the foreign exchange markets, Applied Economics Letters . Vol. 19, no. 6, pp. 591597, 2012. View at Publisher View at Google Scholar View at Scopus M. Metghalchia, J. Marcucci, and Y.-H. Chang, Are moving average trading rules profitable Evidence from the European stock markets, Applied Economics . Vol. 44, no. 12, pp. 15391559, 2012. View at Publisher View at Google Scholar View at Scopus C. J. Neely, P. A. Weller, and J. M. Ulrich, The adaptive markets hypothesis: evidence from the foreign exchange market, Journal of Financial and Quantitative Analysis . Vol. 44, no. 2, pp. 467488, 2009. View at Publisher View at Google Scholar View at Scopus W. E. Shambora and R. Rossiter, Are there exploitable inefficiencies in the futures market for oil Energy Economics . Vol. 29, no. 1, pp. 1827, 2007. View at Publisher View at Google Scholar View at Scopus F. Allen and R. Karjalainen, Using genetic algorithms to find technical trading rules, Journal of Financial Economics . Vol. 51, no. 2, pp. 245271, 1999. View at Google Scholar View at Scopus J. Wang, Trading and hedging in Sx26P 500 spot and futures markets using genetic programming, Journal of Futures Markets . Vol. 20, no. 10, pp. 911942, 2000. View at Google Scholar View at Scopus J. How, M. Ling, and P. Verhoeven, Does size matter A genetic programming approach to technical trading, Quantitative Finance . Vol. 10, no. 2, pp. 131140, 2010. View at Publisher View at Google Scholar View at MathSciNet F. Wang, P. L. H. Yu, and D. W. Cheung, Combining technical trading rules using particle swarm optimization, Expert Systems with Applications . Vol. 41, no. 6, pp. 30163026, 2014. View at Publisher View at Google Scholar J. Andrada-Fxe9lix and F. Fernxe1ndez-Rodrxedguez, Improving moving average trading rules with boosting and statistical learning methods, Journal of Forecasting . Vol. 27, no. 5, pp. 433449, 2008. View at Publisher View at Google Scholar View at MathSciNet View at Scopus T. T.-L. Chong and W.-K. Ng, Technical analysis and the London stock exchange: testing the MACD and RSI rules using the FT30, Applied Economics Letters . Vol. 15, no. 14, pp. 11111114, 2008. View at Publisher View at Google Scholar View at Scopus I. Cialenco and A. Protopapadakis, Do technical trading profits remain in the foreign exchange market Evidence from 14 currencies, Journal of International Financial Markets, Institutions and Money . Vol. 21, no. 2, pp. 176206, 2011. View at Publisher View at Google Scholar View at Scopus A. E. Milionis and E. Papanagiotou, Decomposing the predictive performance of the moving average trading rule of technical analysis: the contribution of linear and non-linear dependencies in stock returns, Journal of Applied Statistics . Vol. 40, no. 11, pp. 24802494, 2013. View at Publisher View at Google Scholar Y. S. Ni, J. T. Lee, and Y. C. Liao, Do variable length moving average trading rules matter during a financial crisis period Applied Economics Letters . Vol. 20, no. 2, pp. 135141, 2013. View at Publisher View at Google Scholar V. Pavlov and S. Hurn, Testing the profitability of moving-average rules as a portfolio selection strategy, Pacific-Basin Finance Journal . Vol. 20, no. 5, pp. 825842, 2012. View at Publisher View at Google Scholar C. Chiarella, X.-Z. He, and C. Hommes, A dynamic analysis of moving average rules, Journal of Economic Dynamics x26 Control . Vol. 30, no. 9-10, pp. 17291753, 2006. View at Publisher View at Google Scholar View at Zentralblatt MATH View at MathSciNet X.-Z. He and M. Zheng, Dynamics of moving average rules in a continuous-time financial market model, Journal of Economic Behavior and Organization . Vol. 76, no. 3, pp. 615634, 2010. View at Publisher View at Google Scholar View at Scopus C. Neely, P. Weller, and R. Dittmar, Is Technical Analysis in the Foreign Exchange Market Profitable A Genetic Programming Approach . Cambridge University Press, 1997.Selecting dynamic moving average trading rules in the crude oil futures market using a genetic approach Lijun Wang a, b Haizhong An a, b,c,. Xiaojia Liu a, b Xuan Huang a, b a School of Humanities and Economic Management, China University of Geosciences, Beijing 100083, China b Key Laboratory of Carrying Capacity Assessment for Resource and Environment, Ministry of Land and Resources, Beijing 100083, China c Lab of Resources and Environmental Management, China University of Geosciences, Beijing 100083, China Received 20 October 2014. Revised 24 August 2015. Accepted 31 August 2015. Available online 14 September 2015. Highlights We select trading rules in crude oil futures market using genetic algorithms. The rules can be adjusted dynamically based on the performance of reference rules. Trading rules generated by this approach can make profits in actual investments. They are more favorable for traders than static moving average trading rules. Investment advices are given out for traders in applications based on our findings. Abstract Strategies to increase profit from investments in crude oil futures markets are an important issue for investors in energy finance. This paper proposes an approach to generate dynamic moving average trading rules in crude oil futures markets. An adaptive moving average calculation is used to better describe the fluctuations, and trading rules can be adjusted dynamically in the investment period based on the performance of four reference rules. We use genetic algorithms to select optimal dynamic moving average trading rules from a large set of possible parameters. Our results indicate that dynamic trading rules can help traders make profit in the crude oil futures market and are more effective than the BH strategy in the price decrease process. Moreover, dynamic moving average trading rules are more favorable to traders than static trading rules, and the advantage becomes more obvious over long investment cycles. The lengths of the two periods of dynamic moving average trading rules are closely associated with price volatility. The dynamic trading rules will have outstanding performance when market is shocked by significant energy related events. Investment advices are given out and these advices are helpful for traders when choosing technical trading rules in actual investments. Keywords Crude oil futures market Genetic algorithm Technical analysis Moving average trading rules Fig. 1. Fig. 2. Fig. 3. Tabela 2. Fig. 4. A fig. 5. This article is based on a short proceedings paper in Energy Procedia Volume 161 (2014). It has been substantially modified and extended, and has been subject to the normal peer review and revision process of the journal. This paper is included in the Special Issue of ICAE2014 edited by Prof. J Yan, Prof. DJ Lee, Prof. SK Chou, and Prof. U Desideri. Corresponding author at: School of Humanities and Economic Management, China University of Geosciences, Beijing 100083, China. Tel. 86 1082323783. Copyright 2015 Elsevier Ltd. All rights reserved. Citing articles ( )Do Moving Average Rules Make Profits A Study Using the Madrid Stock Market Laura Nuez Fundacin Instituto de Empresa, S. L. January 26, 2004 Previous studies have reported mixed results with regard to the success of technical trading rules. Studies that provide positive evidence are Brock et al (1992), Karjalainen (1994), Bessembinder et al (1995),Mills (1997), and Fernandez et al (1999). Studies rejecting the utility of technical trading rules are Hudson et al (1996) or Allen et al (1999). A recent body of work has applied evolutionary algorithms to the design of trading rules see Karjalainen (1994), Allen et al (1999), Fernandez et al (2001) and Nuez (2002 for genetic alhorithms models. The basic approach of these studies is to choose trading rules based on an genetic optmisation procedure using in-sample-data and then testing the performance of there rules in out-of-the-sample data. This paper tests whether the most popular technical rule-the moving average - generates profits in the Madrid Stock Exchange by utilizing genetic algorithms to optimise the rule in the in-sample period (May 1990-May 1995)and applying it to the out-sample period (May 1995-May 1996) over 25 stocks and indexes. We report the lack of utility, even before transaction costs, of this popular technical rule. Number of Pages in PDF File: 16 Keywords: trading rules, moving average, genetic algorithms, Madrid Stock Exchange JEL Classification: G14, C63, C61 Date posted: March 1, 2007 Suggested Citation Nuez, Laura, Do Moving Average Rules Make Profits A Study Using the Madrid Stock Market (January 26, 2004). Available at SSRN: ssrn/abstract966154 or dx. doi. org/10.2139/ssrn.966154 Contact Information Laura Nuez (Contact Author) Fundacin Instituto de Empresa, S. L. ( email ) Maria de Molina, 11, 13 y 15 Castelln de la Plana, 8 Madrid, Madrid 28006 Spain 0034 91 7821708 (Phone) 034 91 7821707 (Fax)