Forex Trading-Strategien Eines der stärksten Mittel für den Gewinn eines Handels ist das Portfolio von Forex Trading-Strategien, die von Händlern in verschiedenen Situationen angewendet werden. Nach einem einzigen System ist die ganze Zeit nicht genug für einen erfolgreichen Handel. Jeder Händler sollte wissen, wie er sich allen Marktbedingungen, die jedoch nicht so einfach, und erfordert ein tiefes Studium und Verständnis der Wirtschaft. Um Ihnen zu helfen, Ihre pädagogischen Bedürfnisse zu erfüllen und erstellen Sie Ihr eigenes Portfolio von Handelsstrategien, bietet IFC Markets Ihnen sowohl zuverlässige Ressourcen auf den Handel und vollständige Informationen über alle populären und einfachen Forex Trading-Strategien von erfolgreichen Händlern angewendet. Die Handelsstrategien, die wir vertreten, sind für alle Händler geeignet, die Anfänger im Handel sind oder ihre Fähigkeiten verbessern möchten. Alle Strategien, die eingestuft und erklärt werden, sind für pädagogische Zwecke und können von jedem Händler auf eine andere Weise angewendet werden. Trading-Strategien auf Forex-Analyse Forex Trading-Strategie Forex Trading-Strategie Trading-Strategie Trading-Strategie Forex Trading-Strategie Technische Indikatoren in Forex Trading-Strategien Forex Charts Trading-Strategien Forex Volumen Trading-Strategie Mehrere Zeitrahmen Analyse-Strategie Forex Trading-Strategie auf der Grundlage von Fundamentalanalyse Forex Trading-Strategie auf dem Markt Sentiment Forex Strategien basiert auf Trading-Stil Forex Day Trading-Strategien Forex Scalping-Strategie Fading Trading-Strategie Täglich Pivot Trading-Strategie Momentum Trading-Strategie Tragen Sie Handelsstrategie Forex Hedging-Strategie Portfolio Basket Trading-Strategie Kaufen und Halten Strategie Spread Pair Handel Strategie Swing Trading-Strategie Forex-Strategien auf der Grundlage von Trading-Order-Typen Algorithmische Trading-Strategien Tweet Trading-Strategien auf der Grundlage von Forex-Analyse Vielleicht ist der größte Teil der Forex Trading-Strategien auf den wichtigsten Arten von Forex-Marktanalyse basiert, die verwendet werden, um die Marktbewegung zu verstehen. Diese Analyseverfahren umfassen die technische Analyse, die Fundamentalanalyse und die Marktstimmung. Jede der genannten Analysemethoden wird in einer bestimmten Weise verwendet, um den Markttrend zu identifizieren und vernünftige Vorhersagen über das zukünftige Marktverhalten zu treffen. Wenn in der technischen Analyse die Händler sich hauptsächlich mit verschiedenen Charts und technischen Instrumenten befassen, um die Vergangenheit, Gegenwart und Zukunft der Währungspreise zu verdeutlichen, wird in der Grundlagenanalyse die makroökonomischen und politischen Faktoren, die den Devisenmarkt direkt beeinflussen können, gewürdigt. Ganz anders verhält es sich mit der Marktstimmung, die auf der Haltung und Meinung der Händler beruht. Im Folgenden können Sie über jede Analyse-Methode im Detail zu lesen. Tweet Forex Technische Analyse Strategien Forex technische Analyse ist die Studie der Markt-Aktion vor allem durch den Einsatz von Charts für die Zwecke der Prognose zukünftiger Preisentwicklungen. Forex Trader können Strategien auf der Grundlage verschiedener technischer Analyse-Tools, einschließlich Markttrend, Volumen, Reichweite, Unterstützung und Widerstand Ebenen, Chart-Muster und Indikatoren, sowie eine Multiple Time Frame Analyse mit verschiedenen Zeitrahmen-Charts. Technische Analyse-Strategie ist eine entscheidende Methode zur Bewertung von Vermögenswerten auf der Grundlage der Analyse und Statistiken der vergangenen Markt-Aktion, wie vergangene Preise und Vergangenheit Volumen. Das Hauptziel der technischen Analysten ist nicht die Messung der Vermögenswerte zugrunde liegenden Wert, sie versuchen, Charts oder andere Werkzeuge der technischen Analyse verwenden, um Muster zu bestimmen, die helfen, die zukünftige Marktaktivität vorherzusagen. Ihre feste Überzeugung ist, dass die zukünftige Performance der Märkte durch die historische Performance indiziert werden kann. Tweet Forex Trend Trading Strategie Trend ist eines der wichtigsten Konzepte in der technischen Analyse. Alle technischen Analyse-Tools, die ein Analytiker verwendet haben einen einzigen Zweck: helfen, den Markttrend zu identifizieren. Die Bedeutung des Forex-Trend ist nicht so sehr von seiner allgemeinen Bedeutung - es ist nichts weiter als die Richtung, in der sich der Markt bewegt. Aber genauer gesagt, der Devisenmarkt bewegt sich nicht in einer geraden Linie, seine Bewegungen sind durch eine Reihe von Zickzack, die aufeinanderfolgenden Wellen mit klaren Gipfeln und Tälern oder Höhen und Tiefen, wie sie oft genannt werden. Wie oben erwähnt, besteht Forex-Trend aus einer Reihe von Höhen und Tiefen, und je nach der Bewegung der Spitzen und Tröge kann man die Trends Art auf dem Markt zu verstehen. Obwohl die meisten Leute denken, dass Devisenmarkt entweder nach oben oder nach unten, tatsächlich gibt es nicht zwei, sondern drei Arten von Trends: Händler und Investoren konfrontieren drei Arten von Entscheidungen: gehen Sie lange, dh zu kaufen, gehen kurz, dh zu verkaufen, oder Bleiben Sie beiseite, dh nichts zu tun. Bei jeder Art von Trend sollten sie eine spezifische Strategie entwickeln. Die Kaufstrategie ist vorzuziehen, wenn der Markt steigt und umgekehrt die Verkaufsstrategie wäre richtig, wenn der Markt sinkt. Aber wenn der Markt seitwärts bewegt die dritte Möglichkeit, beiseite zu bleiben - wird die klügste Entscheidung. Tweet Support und Resistance Trading-Strategie Um vollständig zu verstehen, das Wesen der Unterstützung und Widerstandshandel Strategie sollten Sie zunächst wissen, was eine horizontale Ebene ist. Eigentlich ist es ein Preisniveau, das entweder eine Unterstützung oder Widerstand auf dem Markt anzeigt. Die Unterstützung und der Widerstand in der technischen Analyse sind die Begriffe für Preisunterschiede und Höhen. Der Begriff Unterstützung zeigt die Fläche auf dem Diagramm, wo das Kaufinteresse ist deutlich stark und übertrifft den Verkaufsdruck. Es ist in der Regel durch vorherige Tröge gekennzeichnet. Das Widerstandsniveau steht, im Gegensatz zu dem Unterstützungsniveau, für einen Bereich auf der Tabelle, in dem das Verkaufsinteresse den Kaufdruck überwindet. Es ist in der Regel durch frühere Peaks markiert. Um eine Unterstützungs - und Widerstandsstrategie zu entwickeln, sollten Sie sich bewusst sein, wie der Trend durch diese horizontalen Ebenen identifiziert wird. Für einen Aufwärtstrend sollte also jeder aufeinanderfolgende Stützpegel höher sein als der vorhergehende, und jeder aufeinanderfolgende Widerstandswert sollte höher sein als der vorhergehende. Falls dies nicht der Fall ist, z. B. wenn das Unterstützungsniveau auf die vorhergehende Mulde zurückgeht, kann es bedeuten, dass der Aufwärtstrend zum Ende kommt oder zumindest in einen Seitentrieb verwandelt. Es ist wahrscheinlich, dass Trendumkehr von oben nach unten auftreten wird. Die entgegengesetzte Situation findet in einem Abwärtstrend statt, in dem der Ausfall jedes Unterstützungsniveaus, der niedriger als der vorhergehende Trog ist, erneut Änderungen in dem bestehenden Trend signalisieren kann. Das Konzept hinter der Unterstützung und Widerstand Handel ist immer noch die gleichen - Kauf eines Wertpapiers, wenn wir erwarten, dass es im Preis zu erhöhen und zu verkaufen, wenn erwartet, dass sein Preis zu sinken. Wenn also der Preis auf das Unterstützungsniveau sinkt, entscheiden die Händler, die Nachfrage zu erwerben und den Preis zu steigern. In der gleichen Weise, wenn der Preis steigt auf ein Widerstand Niveau, entscheiden die Händler zu verkaufen, wodurch eine Abwärtsdruck und treibt den Preis nach unten. Tweet Forex Range Trading Strategie Range Trading-Strategie, die auch als Kanal-Trading, ist in der Regel mit dem Fehlen von Markt-Richtung verbunden und es wird bei Abwesenheit eines Trends verwendet. Range Handel identifiziert Währungskurs Bewegung in Kanälen und die erste Aufgabe dieser Strategie ist es, das Spektrum zu finden. Dieses Verfahren kann ausgeführt werden, indem eine Reihe von Höhen und Tiefen mit einer horizontalen Trendlinie verbunden wird. Mit anderen Worten, der Händler sollte die wichtigsten Unterstützung und Widerstandsniveaus mit dem Bereich zwischen bekannt als Trading-Bereich zu finden. Im Bereich Handel seine ganz leicht zu finden, die Bereiche zu profitieren. Sie können bei der Unterstützung kaufen und bei Widerstand verkaufen, solange die Sicherheit nicht aus dem Kanal gebrochen hat. Ansonsten, wenn die Breakout-Richtung ist nicht günstig für Ihre Position, können Sie unterziehen riesigen Verluste. Range Handel tatsächlich funktioniert in einem Markt mit gerade genug Volatilität, aufgrund der der Preis geht wackeln in den Kanal, ohne zu brechen aus dem Bereich. In dem Fall, dass das Niveau der Unterstützung oder Widerstand bricht, sollten Sie Bereich-basierte Positionen zu verlassen. Der effizienteste Weg für die Verwaltung von Risiken im Bereich Handel ist die Verwendung von Stop-Loss-Aufträge wie die meisten Händler tun. Sie setzen Verkauflimitaufträge unter Widerstand, wenn sie die Strecke verkaufen und den Nehmengewinn unten nahe Unterstützung einstellen. Wenn sie Unterstützung kaufen, setzen sie Kaufgrenzeaufträge über Support und Platz nehmen Profitaufträge nahe dem vorher identifizierten Widerstandlevel. Und Risiken können verwaltet werden, indem man Stop-Loss-Aufträge über dem Widerstandswert beim Verkauf der Widerstandszone eines Bereichs und unter dem Support-Level beim Kauf Support. Tweet Technische Indikatoren in Forex Trading-Strategien Technische Indikatoren sind Berechnungen, die auf dem Preis und dem Volumen eines Wertpapiers basieren. Sie werden verwendet, um den Trend und die Qualität der Chartmuster zu bestätigen und den Kaufleuten dabei zu helfen, die Kauf - und Verkaufssignale zu bestimmen. Die Indikatoren können separat angewendet werden, um Kauf - und Verkaufssignale zu bilden und zusammen mit diesen gemeinsam genutzt werden zu können Chart-Muster und Preisbewegung. Technische Analyse Indikatoren können Kauf-und Verkaufssignale durch gleitende Durchschnitt Crossovers und Divergenz. Übergänge werden reflektiert, wenn der Preis sich durch den gleitenden Durchschnitt bewegt oder wenn zwei verschiedene sich bewegende Durchschnittswerte sich kreuzen. Divergenz geschieht, wenn die Preisentwicklung und der Indikatortrend sich in entgegengesetzte Richtungen bewegen, was darauf hindeutet, dass die Richtung der Preisentwicklung schwächer wird. Sie können separat angewendet werden, um Kauf - und Verkaufssignale zu bilden, und können gemeinsam in Verbindung mit dem Markt verwendet werden. Allerdings sind nicht alle von den Händlern weit verbreitet. Die folgenden Indikatoren, die unten erwähnt werden, sind für Analysten von größter Bedeutung und mindestens einer von ihnen wird von jedem Trader verwendet, um seine Handelsstrategie zu entwickeln: Moving Average Bollinger Bands Relative Strength Index (RSI) Stochastischer Oszillator Moving Average ConvergenceDivergence (MACD) ADX Momentum Sie können Leicht erlernen, wie man jeden Indikator benutzt und handelnde Strategien durch Indikatoren entwickelt. Tweet Forex Charts Trading-Strategien In Forex technische Analyse ist ein Diagramm eine grafische Darstellung der Preisbewegungen über einen bestimmten Zeitrahmen. Es kann zeigen, Sicherheit Preisbewegung über einen Monat oder ein Jahr Zeitraum. Je nach dem, was Informationshändlern suchen und welche Fähigkeiten sie beherrschen, können sie bestimmte Arten von Diagrammen verwenden: das Balkendiagramm, das Liniendiagramm, das Leuchtziel und das Punkt - und Figurendiagramm. Auch können sie eine spezifische Strategie mit den folgenden beliebten technischen Diagramm-Muster zu entwickeln: Dreiecke Flaggen Wimpel The Wedge The Rectangle Pattern Das Kopf-und Schultern-Muster Double Tops und Double Bottoms Dreifach-Tops und Triple Bottoms Sie können ganz einfach lernen, wie man Charts nutzen und entwickeln Trading-Strategien Durch Diagrammmuster. Tweet Forex Volume Trading-Strategie Das Volumen zeigt die Anzahl der Wertpapiere, die über eine bestimmte Zeit gehandelt werden. Höheres Volumen zeigt höhere Intensität oder Druck. Being einer der wichtigsten Faktoren im Handel ist es immer analysiert und geschätzt von Chartisten. Um die Aufwärts - oder Abwärtsbewegung des Volumens zu bestimmen. Sie schauen auf die Handelsvolumen Gistogramme in der Regel am unteren Rand des Diagramms vorgestellt. Jede Preisbewegung ist von größerer Bedeutung, wenn sie von einem relativ hohen Volumen begleitet wird, als wenn sie von einem schwachen Volumen begleitet wird. Indem man den Trend und das Volumen zusammen betrachtet, verwenden Techniker zwei verschiedene Werkzeuge, um den Druck zu messen. Wenn die Preise höher sind, wird es offensichtlich, dass es mehr Kauf als Verkauf Druck. Wenn die Lautstärke während eines Aufwärtstrends abnimmt, signalisiert dies, dass der Aufwärtstrend zu Ende geht. Wie von Forex-Analyst Huzefa Hamid Volumen ist das Gas im Tank der Handelsmaschine erwähnt. Obwohl die meisten Händler Vorzug nur auf technische Charts und Indikatoren, um Handelsentscheidungen treffen, ist Volumen erforderlich, um den Markt zu bewegen. Allerdings können nicht alle Volumetypen den Handel beeinflussen, sein Volumen an großen Geldbeträgen, die am selben Tag gehandelt werden und stark den Markt beeinflussen. Tweet Multi-Time-Frame-Analyse-Strategie mit mehreren Zeitrahmen-Analyse schlägt nach einem bestimmten Sicherheitspreis über verschiedene Zeitrahmen. Da ein Sicherheitspreis mittlerweile durch mehrere Zeitrahmen bewegt, ist es sehr nützlich für Händler, verschiedene Zeitrahmen während der Bestimmung des Handelskreises des Wertpapiers zu analysieren. Durch die Multiple Time Frame Analyse (MTFA) können Sie den Trend sowohl auf kleineren als auch größeren Skalen ermitteln und den Gesamtmarkttrend identifizieren. Der gesamte Prozess der MTFA beginnt mit der exakten Identifizierung der Marktrichtung auf höheren Zeitrahmen (lang, kurz oder mittelschwer) und analysiert sie durch kleinere Zeitrahmen ab einem 5-minütigen Chart. Der erfahrene Trader Corey Rosenbloom ist der Auffassung, dass in mehreren Zeitrahmenanalysen monatliche, wöchentliche und tägliche Charts verwendet werden sollten, um zu beurteilen, wann sich die Trends in die gleiche Richtung bewegen. Dies kann jedoch Probleme verursachen, weil Zeitrahmen nicht immer ausgerichtet werden und unterschiedliche Arten von Trends auf unterschiedlichen Zeitrahmen stattfinden. Ihm zufolge liefert die Analyse der unteren Zeitrahmen mehr Informationen. Tweet Forex Trading-Strategie basiert auf Fundamentalanalyse Während die technische Analyse auf die Studie und Vergangenheit Leistung der Markt-Aktion konzentriert, konzentriert sich die Fundamentalanalyse auf die grundlegenden Gründe, die einen Einfluss auf die Richtung des Marktes zu machen. Die Prämisse der Forex-Fundamentalanalyse ist, dass makroökonomische Indikatoren wie Wirtschaftswachstumsraten, Zins - und Arbeitslosenquoten, Inflation oder wichtige politische Fragen Auswirkungen auf die Finanzmärkte haben können und somit für Handelsentscheidungen genutzt werden können. Techniker finden es nicht notwendig, die Gründe der Marktveränderungen kennen, aber Fundamentalisten versuchen zu entdecken, warum. Letztere analysieren makroökonomische Daten eines bestimmten Landes oder verschiedener Länder, um das jeweilige Landwährungsverhalten in der nächsten Zukunft zu prognostizieren. Auf der Grundlage bestimmter Ereignisse oder Berechnungen können sie beschließen, die Währung in der Hoffnung zu kaufen, dass diese im Wert steigen wird und sie in der Lage, es zu einem höheren Preis zu verkaufen, oder sie verkaufen die Währung, um es später zu einem niedrigeren kaufen Preis. Der Grund, warum fundamentale Analysten so lange Zeitrahmen verwenden, ist die folgende: Die Daten, die sie studieren, werden viel langsamer generiert als die Preis - und Volumendaten, die von technischen Analysten verwendet werden. Tweet Forex Trading-Strategie auf dem Markt Sentiment Marktstimmung ist durch die Haltung der Anleger gegenüber dem Finanzmarkt oder eine bestimmte Sicherheit definiert. Was die Leute fühlen und wie dies macht sie im Forex-Markt verhalten ist das Konzept hinter Marktstimmung. Die Bedeutung des Verständnisses der Meinungen einer Gruppe von Menschen zu einem bestimmten Thema kann nicht unterschätzt werden. Für jeden Zweck kann die Stimmungsanalyse einen Einblick liefern, der wertvoll ist und dazu beiträgt, richtige Entscheidungen zu treffen. Alle Händler haben ihre eigene Meinung über die Marktbewegung, und ihre Gedanken und Meinungen, die sich direkt in ihren Transaktionen widerspiegeln, helfen, die allgemeine Stimmung des Marktes zu bilden. Der Markt selbst ist ein sehr komplexes Netzwerk, das aus einer Anzahl von Personen besteht, deren Positionen tatsächlich die Stimmung des Marktes repräsentieren. Allerdings können Sie allein nicht den Markt zu Ihren Gunsten als Händler zu machen Sie Ihre Meinung und Erwartungen vom Markt haben, aber wenn Sie denken, dass Euro steigen wird, und andere nicht denken, können Sie nichts dagegen tun. Hier wird die Marktstimmung als bullish angesehen, wenn Anleger eine Aufwärtskursbewegung erwarten, während, wenn Investoren erwarten, dass der Preis unten geht, die Marktstimmung wird gesagt, um bearish zu sein. Die Strategie, die Marktstimmung von Forex zu verfolgen, dient als gutes Mittel zur Vorhersage der Marktbewegung und ist von großer Bedeutung für konträre Investoren, die in die entgegengesetzte Richtung der Marktstimmung handeln wollen. So, wenn die vorherrschende Marktstimmung bullish ist (alle Händler kaufen), würde ein contrarian Investor verkaufen. Tweet Forex Strategien basiert auf Trading-Stil Forex Trading-Strategien können durch folgende beliebte Trading-Stile, die Day Trading, Carry Handel, Kauf und Halten Strategie, Hedging, Portfoliohandel, Spread Trading, Swing-Handel, Orderhandel und algorithmischen Handel entwickelt werden. Verwenden und Entwickeln von Handelsstrategien meistens hängt vom Verständnis Ihrer Stärken und Schwächen ab. Um im Handel erfolgreich zu sein, sollten Sie die beste Weise des Handels finden, die Ihrer Persönlichkeit entspricht. Es gibt keine feste rechte Weise des Handels der rechte Weise, damit andere nicht arbeiten können Für Sie. Unten können Sie über jeden Trading-Stil zu lesen und definieren Sie Ihre eigenen. Tweet Forex Day Trading-Strategien Day Trading-Strategie stellt die Akt der Kauf und Verkauf einer Sicherheit innerhalb der gleichen Tag, was bedeutet, dass ein Day-Trader kann keine Handelsposition über Nacht halten. Day Trading-Strategien beinhalten Scalping, Fading, tägliche Pivots und Impulshandel. Im Falle der Durchführung von Day Trading können Sie mehrere Trades innerhalb eines Tages durchführen, aber sollten alle Handelspositionen vor dem Marktschluss zu liquidieren. Ein wichtiger Faktor, um in Day-Trading erinnern ist, dass je länger Sie die Positionen halten, desto höher ist Ihr Risiko zu verlieren. Je nach gewähltem Handelsstil kann sich das Kursziel ändern. Im Folgenden können Sie über die am häufigsten verwendeten Day-Trading-Strategien zu lernen. Tweet Forex Scalping-Strategie Forex Scalping ist ein Day-Trading-Strategie, die auf schnelle und kurze Transaktionen basiert und wird verwendet, um viele Gewinne auf kleinere Preisänderungen zu machen. Diese Art von Händlern, genannt Scalper, können bis zu 2 Hunderte Trades innerhalb eines Tages zu glauben, dass geringfügige Preisbewegungen viel einfacher zu folgen als große sind. Das Hauptziel der folgenden dieser Strategie ist, kaufen eine Menge von Wertpapieren bei der Geld-Brief-Preis und in kurzer Zeit verkaufen sie zu einem höheren Preis, um einen Gewinn zu erzielen. Es gibt bestimmte Faktoren für Forex Scalping. Hierbei handelt es sich um Liquidität, Volatilität, Zeitrahmen und Risikomanagement. Marktliquidität hat einen Einfluss darauf, wie Händler Skalpieren durchführen. Einige bevorzugen den Handel auf einem liquideren Markt, so dass sie leicht in und aus großen Positionen bewegen können, während andere den Handel in einem weniger liquiden Markt bevorzugen, der größere Bid-Ask-Spreads hat. Soweit es sich um Volatilität, Scalper wie eher stabile Produkte, für sie nicht um plötzliche Preisänderungen zu kümmern. Wenn ein Sicherheitspreis stabil ist, können Skalierer auch durch die Festlegung von Aufträgen auf dem gleichen Gebot und fragen, wodurch Tausende von Trades profitieren. Der Zeitrahmen in der Skalpierungsstrategie ist bedeutend kurz und die Händler versuchen, von solchen kleinen Marktbewegungen zu profitieren, die selbst auf einer 1-Minute-Chart nur schwer zu sehen sind. Zusammen mit der Herstellung von Hunderten von kleinen Gewinne während eines Tages können Scalper zur gleichen Zeit Hunderte von kleinen Verluste zu halten. Daher sollten sie ein strenges Risikomanagement entwickeln, um unerwartete Verluste zu vermeiden. Tweet Fading Trading-Strategie Fading in den Bedingungen der Devisenhandel bedeutet Handel gegen den Trend. Wenn der Trend steigt, verkaufen Fading-Händler zu erwarten, dass der Preis fallen und in der gleichen Weise, die sie kaufen, wenn der Preis steigt. Diese Strategie setzt voraus, dass die Sicherheit verkauft wird, wenn der Preis steigt und kauft, wenn der Preis sinkt oder wie Fading genannt wird. Es wird als eine konträre Tageshandelsstrategie bezeichnet, die verwendet wird, um gegen den vorherrschenden Trend zu handeln. Anders als andere Arten von Handel, die Hauptziel ist, den vorherrschenden Trend folgen, muss Fading-Handel eine Position einnehmen, die entgegen dem primären Trend geht. Die wichtigsten Annahmen, auf denen Fading-Strategie basiert sind: Securities sind überkauft Early Käufer sind bereit, Gewinne zu nehmen Aktuelle Käufer können auf Risiko erscheinen Obwohl Fading der Markt kann sehr riskant und erfordert hohe Risikobereitschaft, kann es extrem profitabel. Zur Durchführung der Fading-Strategie können zwei Limit-Orders zu den angegebenen Preisen platziert werden - ein Buy-Limit-Order sollte unter dem aktuellen Kurs liegen und ein Sell Limit Order sollte darüber gesetzt werden. Fading-Strategie ist extrem riskant, da es bedeutet, Handel gegen den vorherrschenden Markttrend bedeutet. Allerdings kann es auch vorteilhaft sein - fade Händler können von jeder Preisumkehr profitieren, denn nach einem starken Anstieg oder Rückgang der Währung wird es erwartet, dass einige Umkehrungen zu zeigen. So, wenn richtig verwendet, kann Fading-Strategie eine sehr rentable Art des Handels sein. Seine Anhänger sind vermutlich Risikoberichter, die Risikomanagement-Regeln folgen und versuchen, sich aus jedem Handel mit Gewinn. Tweet Täglich Pivot Trading-Strategie Pivot Trading zielt darauf ab, einen Gewinn aus der currencys täglichen Volatilität zu gewinnen. Im Grundsinn ist der Drehpunkt als Wendepunkt definiert. Es gilt als ein technischer Indikator, der durch die Berechnung des numerischen Durchschnitts der hohen, niedrigen und Schlusskurse der Währungspaare abgeleitet wird. Das Hauptkonzept dieser Strategie ist es, zu dem niedrigsten Preis des Tages zu kaufen und zu dem höchsten Preis des Tages zu verkaufen. Mitte der 90er Jahre veröffentlichte ein professioneller Trader und Analyst Thomas Aspray wöchentliche und tägliche Pivotstufen für die Bargeld-Devisenmärkte an seine institutionellen Kunden. Wie er erwähnt, waren damals die Pivotwochenstufen in technischen Analyseprogrammen nicht verfügbar, und die Formel war auch nicht weit verbreitet. Aber im Jahr 2004 das Buch von John Person, Complete Guide to Technical Trading Tactics: Wie man mit Pivot-Punkte, Candlesticks Profit Andere Indikatoren ergab, dass Pivot-Punkte im Einsatz für über 20 Jahre bis zu diesem Zeitpunkt gewesen war. In den letzten Jahren war es umso erstaunlicher für Thomas, das Geheimnis der vierteljährlichen Pivot-Punkt-Analyse, wieder aufgrund von John Person zu entdecken. Derzeit sind die grundlegenden Formeln der Berechnung Pivot-Punkte zur Verfügung und sind weit verbreitet von Händlern. Darüber hinaus kann Pivot-Punkte-Rechner leicht im Internet gefunden werden. Für die aktuelle Handelssitzung wird der Pivot-Punkt wie folgt berechnet: Pivot Point (Vorhergehender hoher vorheriger niedriger vorheriger Schluss) 3 Die Basis der täglichen Pivots ist, die Unterstützungs - und Widerstandsebenen auf dem Diagramm zu bestimmen und die Eintritts - und Austrittspunkte zu identifizieren. Dies kann durch die folgenden Formeln erfolgen: S1 - Unterstützungsstufe 1 R2 - Widerstandsstufe 2 S2 - Unterstützungsstufe 2 Tweet Momentum-Handelsstrategie Der Momentum-Handel basiert tatsächlich auf der Suche nach der stärksten Sicherheit, die wahrscheinlich auch höher handeln wird Das Konzept, dass die bestehenden Trend wird eher anhalten, als umgekehrt. Ein Trader nach dieser Strategie wird wahrscheinlich eine Währung kaufen, die einen Aufwärtstrend gezeigt hat und eine Währung verkauft, die einen Abwärtstrend gezeigt hat. So, im Gegensatz zu täglichen Pivots Händler, die niedrig kaufen und verkaufen hoch, Momentum Händler kaufen hoch und höher zu verkaufen. Momentum Trader verwenden verschiedene technische Indikatoren, wie MACD, RSI, Impuls-Oszillator, um die Kursbewegung zu bestimmen und entscheiden, welche Position zu nehmen. Sie betrachten auch Nachrichten und schweres Volumen, um richtige Handelsentscheidungen zu treffen. Momentum Handel erfordert Abonnement Nachrichtendienste und Überwachung Preiswarnungen weiterhin Gewinn zu erzielen. Nach einem bekannten Finanzanalysten Larry Light können Impulsstrategien Investoren helfen, den Markt zu schlagen und Abstürze zu vermeiden, wenn sie mit Trendfolgen gekoppelt sind, die sich nur auf Aktien konzentrieren, die gewinnen. Tweet Carry Handel Strategie Carry Handel ist eine Strategie, durch die ein Händler eine Währung in einem Land mit niedrigem Zinssatz leiht, wandelt es in eine Währung in einem hoch verzinslichen Land und investiert es in hochgradige Schuldverschreibungen dieses Landes. Investoren, die dieser Strategie folgen, leihen Geld mit einem niedrigen Zinssatz, um in eine Sicherheit zu investieren, die eine höhere Rendite erwarten lässt. Carry-Handel ermöglicht es, einen Gewinn aus dem nicht-volatilen und stabilen Markt zu machen, da es hier eher um den Unterschied zwischen den Zinssätzen der Währungen geht, je höher der Unterschied ist, desto größer ist der Gewinn. Bei der Entscheidung, welche Währungen zum Handel durch diese Strategie sollten Sie die erwarteten Veränderungen in den Zinssätzen der einzelnen Währungen zu betrachten. Das Prinzip ist einfach - kaufen Sie eine Währung, deren Zinssatz wird voraussichtlich steigen und verkaufen die Währung, deren Zinssatz wird voraussichtlich nach unten gehen. Dies bedeutet jedoch nicht, dass die Preisänderungen zwischen den Währungen absolut unwichtig sind. So können Sie in einer Währung aufgrund seiner hohen Zinssatz zu investieren, aber wenn die Währung Preis sinkt und Sie schließen den Handel, können Sie feststellen, dass, obwohl Sie aus dem Zinssatz Sie haben auch aus dem Handel wegen der verloren haben Unterschied in der buysell Preis. Daher ist Carry-Handel vor allem für trendlose oder seitwärts Markt, wenn die Preisbewegung wird erwartet, dass die gleiche für einige Zeit bleiben. Tweet Forex Hedging-Strategie Hedging ist in der Regel als eine Strategie, die Investoren vor dem Auftreten von Ereignissen, die bestimmte Verluste verursachen können, zu verstehen. Die Idee hinter der Währungsabsicherung ist, eine Währung zu kaufen und eine andere zu verkaufen, in der Hoffnung, dass die Verluste auf einem Handel durch die Gewinne eines anderen Handels ausgeglichen werden. Diese Strategie arbeitet am effizientesten, wenn die Währungen negativ korreliert sind. So sollten Sie kaufen eine zweite Sicherheit abgesehen von der, die Sie bereits besitzen, um es zu hedgen, sobald es bewegt sich in einer unerwarteten Richtung. Diese Strategie, im Gegensatz zu den meisten bereits diskutierten Handelsstrategien, wird nicht verwendet, um einen Gewinn zu erzielen, sondern eher darauf abzielen, das Risiko und die Unsicherheit zu reduzieren. Es wird als eine bestimmte Art von Strategie, deren einziger Zweck ist es, das Risiko abzuschwächen und die Gewinnmöglichkeiten. Als Beispiel können wir einige Währungspaare nehmen und versuchen, eine Hecke zu schaffen. Lets sagen, dass zu einem bestimmten Zeitrahmen der US-Dollar stark ist, und einige Währungspaare einschließlich USD zeigen unterschiedliche Werte. Wie, GBPUSD ist um 0,60, JPYUSD ist um 0,75 und EURUSD um 0,30 gesunken. Als Richtungshandel sollten wir besser das EURUSD-Paar nehmen, das am wenigsten ist, und zeigt daher, dass, wenn sich die Marktrichtung ändert, es höher geht als die anderen Paare. Nach dem Kauf des EURUSD-Paares müssen wir ein Währungspaar wählen, das als Hecke dienen kann. Wiederum sollten wir die Währungswerte betrachten und diejenige auswählen, die die am meisten vergleichende Schwäche zeigt. In unserem Beispiel war es JPY, und EURJPY wäre eine gute Wahl. So können wir unsere Handelswaren EURUSD absichern und EURJPY verkaufen. Wichtiger ist in der Währungsabsicherung zu beachten, dass Risikominderung immer eine Profitminderung bedeutet, hierin garantiert die Absicherungsstrategie keine riesigen Gewinne, sondern kann Ihre Investition absichern und Ihnen helfen, Verluste zu entkommen oder zumindest ihr Ausmaß zu mindern. Allerdings, wenn richtig entwickelt, kann Währung Hedging-Strategie Ergebnis in beiden Gewinnen profitieren. Der Portfoliohandel, der auch als Baskethandel bezeichnet werden kann, basiert auf der Kombination verschiedener Vermögenswerte, die zu verschiedenen Finanzmärkten (Devisen, Aktien, Futures usw.) gehören. Das Konzept hinter dem Portfolio-Handel ist die Diversifizierung, eine der beliebtesten Mittel zur Risikominderung. Durch eine intelligente Asset-Allokation schützen sich Trader vor Marktvolatilität, reduzieren das Risikoausmaß und halten die Profitabilität. Es ist sehr wichtig, ein diversifiziertes Portfolio zu erstellen, um Ihr Trading-Ziel zu erreichen. Andernfalls wird diese Art von Strategie ziellos sein. Sie sollten Ihr Portfolio mit solchen Wertpapieren (Währungen, Aktien, Rohstoffe, Indizes) kompilieren, die nicht streng korreliert sind, was bedeutet, dass ihre Erträge nicht auf - und abwärts in einem perfekten Einklang stehen. Durch die Vermischung verschiedener Vermögenswerte in Ihrem Portfolio, die in einer negativen Korrelation sind, mit einem Sicherheitspreis steigen und die anderen gehen nach unten können Sie halten die Portfolios Gleichgewicht, damit Ihren Gewinn und die Verringerung des Risikos. Derzeit bietet IFC Markets Personal Composite Instrument (PCI) Erstellung und Handel Technologie basierend auf GeWorko-Methode. Das macht es sogar viel einfacher, Portfolio-Trading durchzuführen. Die Technologie ermöglicht die Erstellung von Portfolios mit nur zwei Vermögenswerten und umfasst bis zu zehn verschiedene Finanzinstrumente, offene sowohl Long-und Short-Positionen innerhalb eines Portfolios, sehen Sie die Assets-Preis Geschichte bis zu 40 Jahren, erstellen Sie Ihre eigenen PCIs. Eine Vielzahl von Marktanalysetools nutzen, verschiedene Handelsstrategien anwenden und Ihr Anlageportfolio ständig optimieren und ausgleichen. Mit anderen Worten, die GeWorko-Methode ist eine Lösung, mit der Sie Strategien entwickeln und anwenden können, die Ihren Wünschen am besten entsprechen. Tweet Kaufen und Halten Strategie kaufen und halten Strategie ist eine Art von Investitionen und Handel, wenn ein Händler kauft die Sicherheit und hält es für eine lange Zeit. Ein Händler, der Kauf - und Investitionsstrategie einsetzt, interessiert sich nicht für kurzfristige Preisbewegungen und technische Indikatoren. Tatsächlich wird diese Strategie meistens von Aktienhändlern verwendet, aber einige Forex-Händler auch verwenden, wobei es sich um eine besondere Methode der passiven Investitionen. Sie beruhen im Allgemeinen auf fundamentalen Analysen und nicht auf technischen Diagrammen und Indikatoren. Dies hängt bereits von der Art des Anlegers zu entscheiden, wie diese Strategie anzuwenden. Ein passiver Investor würde die grundlegenden Faktoren wie die Inflation und die Arbeitslosenquoten des Landes, in dessen Währung er investiert hat, beobachten oder sich auf die Analyse des Unternehmens stützen, dessen Aktien er besitzt, wenn man bedenkt, dass die Wachstumsstrategie des Unternehmens, die Qualität seiner Produkte, Etc. Für einen aktiven Investor wäre es effektiver, technische Analyse oder andere mathematische Maßnahmen anwenden, um zu entscheiden, ob zu kaufen oder zu verkaufen. Tweet Spread-Pair-Trading-Strategie Pair-Trading (Spread Trading) ist der gleichzeitige Kauf und Verkauf von zwei Finanzinstrumente im Zusammenhang miteinander. Die Differenz der Preisveränderungen beider Instrumente macht das Handelsergebnis aus. Durch diese Strategie haben die Händler inzwischen zwei gleiche und direkt entgegengesetzte Positionen, die einander kompensieren können, um das Handelsgleichgewicht zu halten. Spread Handel kann von zwei Arten: Intra-Markt-und Inter-Rohstoff-Spreads. Im ersten Fall können Händler Long - und Short-Positionen auf demselben Basiswerthandel in verschiedenen Formen (z. B. auf Spot - und Futures-Märkten) und an verschiedenen Börsen eröffnen, während sie im zweiten Fall Long - und Short-Positionen in verschiedenen Vermögensgegenständen eröffnen Zueinander, wie Gold und Silber. Im Spread Trading ist es wichtig zu sehen, wie die Wertpapiere sind und nicht die Marktbewegung vorherzusagen. Es ist wichtig, entsprechende Handelsinstrumente mit einer spürbaren Preislücke zu finden, um das positive Gleichgewicht zwischen Risiko und Belohnung zu halten. Tweet Swing Trading-Strategie Swing-Handel ist die Strategie, durch die Händler die Asset innerhalb von ein bis mehrere Tage warten, um einen Gewinn aus Preisänderungen oder so genannte Swings. Eine Swing-Handelsposition wird tatsächlich länger gehalten als eine Tageshandelsposition und kürzer als eine Buy-and-Hold-Handelsposition. Die auch jahrelang gehalten werden können. Swing Trader verwenden eine Reihe von mathematisch basierten Regeln, um den emotionalen Aspekt des Handels zu beseitigen und eine intensive Analyse durchzuführen. Sie können ein Handelssystem mit technischen und fundamentalen Analysen erstellen, um die Kauf - und Verkaufspunkte zu bestimmen. Wenn in einigen Strategien Markttrend ist nicht von primärer Bedeutung, in Swing-Handel ist der erste Faktor zu berücksichtigen. The followers of this strategy trade with the primary trend of the chart and believe in the Trend is your friend concept. If the currency is in an uptrend swing traders go long, that is, buy it. But if the currency is in a downtrend, they go short - sell the currency. Often the trend is not clear-cut, it is sideways-neither bullish, nor bearish. In such cases the currency price moves in a predictable pattern between support and resistance levels. The swing trading opportunity here will be the opening of a long position near the support level and opening a short position near the resistance level. Tweet Forex Strategies Based on Trading Order Types Order trading helps traders to enter or exit a position at the most suitable moment by using different orders including market orders, pending orders, limit orders, stop orders, stop loss orders and OCO orders. Currently, advanced trading platforms provide various types of orders in trading which are not simply buy button and sell button. Each type of trading order can represent a specific strategy. Its important to know when and how to trade and which order to use in a given situation in order to develop the right order strategy. The most popular Forex orders that a trader can apply in his trade are: Market orders - a market order is placed to instruct the trader to buy or to sell at the best price available. The entry interfaces of market order usually have only buy and sell options which make it quick and easy to use. Pending Orders pending orders which are usually available in six types allow traders to buy or sell securities at a previously specified price. The pending orders-buy limit, sell limit, buy stop, sell stop, buy stop limit and sell stop limit - are placed to execute a trade once the price reaches the specified level. Limit Orders - a limit order instructs the trader to buy or sell the asset at a specified price. This means that first of all the trader should specify the desired buy and sell prices. The buy limit order instructs him to buy at the specified price or lower. And the sell limit order instructs to sell at the specified price or even higher. Once the price reaches the specified price, the limit order will be filled. Stop orders-a sell stop order or buy stop order is executed after the stop level, the specified price level, has been reached. The buy stop order is placed above the market and the sell stop order is set below the market. Stop loss orders - a stop loss order is set to limit the risk of trade. It is placed at the specified price level beyond which a trader doesnt want or is not ready to risk his money. For a long position you should set the stop loss order below the entry point which will protect you against market drops. Whereas, for a short position place the order above the trade entry to be protected against market rises. OCO OCO (one-cancels-the-other) represents a combination of two pending orders which are placed to open a position at prices different from the current market price. If one of them is executed the other will automatically be canceled. Tweet Algorithmic Trading Strategies Algorithmic trading, also known as automated Forex trading, is a particular way of trading based on a computer program which helps to determine whether to buy or sell the currency pair at a specific time frame. This kind of computer program works by a set of signals derived from technical analysis. Traders program their trade by instructing the software what signals to search for and how to interpret them. High-grade platforms include complementary platforms which give an opportunity of algorithmic trading. Such advanced platforms through which traders can perform algorithmic trading are NetTradeX and MetaTrader 4. NetTradeX trading platform besides its main functions, provides automated trading by NetTradeX Advisors. The latter is a secondary platform which contributes to automated trading and enhances the main platforms functionality by the NTL (NetTradeX Language). This secondary platform also allows to perform basic trading operations in a manual mode, like opening and closing positions, placing orders and using technical analysis tools. MetaTrader 4 trading platform also gives a possibility to execute algorithmic trading through an integrated program language MQL4. On this platform traders can create automatic trading robots, calledAdvisors, and their own indicators. All the functions of creating advisors, including debugging, testing, optimization and program compilation are performed and activated in MT4 Meta-Editor. The Forex trading strategy by robots and programs is developed mainly to avoid the emotional component of trade, as it is thought that the psychological aspect prevents to trade reasonably and mostly has a negative impact on trade. Choose Your Network: IFCMARKETS. CORP 2006-2017 IFC Markets ist ein führender Makler auf den internationalen Finanzmärkten, der Online Forex Trading Services sowie zukünftige Index-, Aktien - und Rohstoff-CFDs anbietet. Das Unternehmen hat seit 2006 kontinuierlich seine Kunden in 18 Sprachen von 60 Ländern auf der ganzen Welt, in Übereinstimmung mit internationalen Standards der Vermittlung Dienstleistungen. Risiko-Warnung Hinweis: Forex-und CFD-Handel im OTC-Markt umfasst erhebliche Risiken und Verluste können Ihre Investitionen übersteigen. IFC Markets does not provide services for United States and Japan residents. A hybrid stock trading framework integrating technical analysis with machine learning techniques Rajashree Dash a, ,1. Pradipta Kishore Dash b,2. a Computer Science amp Engineering Department, ITER, Siksha O Anusandhan University, Bhubaneswar, Odisha, 751030, India b Siksha O Anusandhan University, Bhubaneswar, Odisha, 751030, India Received 30 December 2015. Revised 3 March 2016. Accepted 8 March 2016. Available online 22 March 2016. In this paper, a novel decision support system using a computational efficient functional link artificial neural network (CEFLANN) and a set of rules is proposed to generate the trading decisions more effectively. Hier wird das Problem der Aktienhandel-Entscheidungsvorhersage als Klassifizierungsproblem mit drei Klassenwerten, die die Kauf-, Halte - und Verkaufs-Signale darstellen, artikuliert. The CEFLANN network used in the decision support system produces a set of continuous trading signals within the range 01 by analyzing the nonlinear relationship exists between few popular technical indicators. Ferner werden die Ausgangshändlersignale verwendet, um den Trend zu verfolgen und die Handelsentscheidung basierend auf diesem Trend unter Verwendung einiger Handelsregeln zu erzeugen. Die Neuheit des Ansatzes ist es, die profitablen Aktienhandel Entscheidungspunkte durch die Integration der Lernfähigkeit des CEFLANN neuronalen Netzes mit den Regeln der technischen Analyse zu erzeugen. Für die Bewertung der potenziellen Nutzung der vorgeschlagenen Methode wird die Modellleistung auch mit einigen anderen maschinellen Lernmethoden wie dem Support Vector Machine (SVM), dem Naive Bayesian Modell, dem K Nearest Nachbar Modell (KNN) und dem Decision Tree (DT) Modell verglichen. Stock trading Stock trend analysis Technical indicators CEFLANN 1 Introduction With the era of economic globalization and the facility of digital technology, generation and accumulation of financial data has reached at an unprecedented rate. Das schnell wachsende Datenvolumen hat die Fähigkeit eines Menschen, diese manuell zu analysieren, weit übertroffen. Auch die finanziellen Zeitreihen sind aufgrund der langfristigen Trends, der zyklischen Schwankungen, der saisonalen Schwankungen und der irregulären Bewegungen komplizierter als andere statistische Daten. Diese sind stark von vielen externen Faktoren, wie viele sehr miteinander verknüpften wirtschaftlichen, politischen, sozialen und auch wenn das psychologische Verhalten des Investors betroffen. Das kontinuierliche Wachstum derart stark fluktuierender und unregelmäßiger Daten hat die kritische Notwendigkeit für die Entwicklung von mehr automatisierten Ansätzen für eine effiziente Analyse solcher massiven Finanzdaten zur Extraktion von aussagekräftigen Statistiken daraus hervorgehoben. Als ein Prozess der Erforschung nützlichen versteckten Wissens, Data Mining hat seine eigene Nische in der finanziellen Zeitreihe Analyse geschnitzt. Es bietet Wege für Investoren, proaktive und wissensbasierte Entscheidungen zu treffen, um einen erfolgreichen Gewinn mit geringerem Investitionsrisiko zu erzielen. Gewinnen von hohem Gewinn ist das Endziel eines Investors, der am Finanzmarkt teilnimmt. Es gibt so viele Anlagemöglichkeiten wie Handel (d. H. Kauf und Verkauf) von Anleihen, Aktien, Devisen und Edelmetallen etc., die auf einem Finanzmarkt vorhanden sind. Handel am Aktienmarkt ist einer der beliebtesten Kanäle der Finanzinvestitionen. Investoren an der Börse können ihren Gewinn durch den Kauf oder Verkauf ihrer Investition zur richtigen Zeit zu maximieren. Der Schlüssel zur Realisierung hoher Gewinne im Aktienhandel ist es, die geeignete Handelszeit mit dem minimalen Handelsrisiko herauszufinden. Aber es ist immer schwer zu entscheiden, die beste Zeit zu kaufen oder zu verkaufen aufgrund der stark schwankenden und dynamischen Verhalten der Börse. Technical indicators are the primary interest for most of the researchers to monitor the stock prices and to assist investors in setting up trading rules for buysellhold decisions. Technische Indikatoren werden auf Basis historischer Bestandsdaten erstellt. So Handel Entscheidung auf der Grundlage von bestimmten technischen Indikatoren kann nicht immer mehr rentabel. In der Literatur wurden verschiedene Data Mining und Tools für künstliche Intelligenz angewendet, um technische Indikatoren zu analysieren, um die besten Handelssignale zu finden. 1. 2. 3 and 4 Gaining profit or loss from stock trading ultimately depends on analysis of future movement of highly fluctuating and irregular stock price values. Eine erfolgreiche Klassifizierung von Auf - und Abbewegungen der Aktienkursindexwerte kann nicht nur für die Investoren hilfreich sein, um effektive Handelsstrategien zu entwickeln, sondern auch für die Überwachung des Aktienmarktes. Die Verfolgung von Aufschwüngen und Abschwüngen über die Geschichte einzelner Aktien wird die Unsicherheit im Zusammenhang mit Investitionsentscheidungen reduzieren. Investoren können die besten Zeiten zum Kauf und Verkauf der Aktie durch richtige Analyse der Aktien-Trends zu wählen. In literature a number of models combining technical analysis with computational intelligent techniques are available for prediction of stock price index movements 5. 6 and 7 Patra, Thanh, amp Meher, 2009). In dieser Studie wird das Problem der Aktienhandel-Entscheidungsvorhersage als Klassifizierungsproblem mit drei Klassenwerten, die die Kauf-, Halte - und Verkaufs-Signale darstellen, artikuliert. Das wichtigste Ziel dieser Studie ist die Entwicklung eines neuartigen Entscheidungsunterstützungssystems unter Verwendung eines rechnerisch effizienten funktionellen Link künstlichen neuronalen Netzes (CEFLANN) und einer Reihe von Regeln auf der Grundlage der technischen Analyse, um die Handelsentscheidungen effektiver zu generieren. Anstatt das CEFLANN-Netzwerk mit dem traditionellen Back-Propagation-Algorithmus zu trainieren, wird das ELM-Lernen für das Netzwerk vorgeschlagen. Als Eingangsmerkmale für das vorgeschlagene Modell werden sechs beliebte technische Indikatoren verwendet, die aus den historischen Aktienindexpreiswerten berechnet werden. Das CEFLANN-Netzwerk wird angewendet, um die nichtlineare Beziehung zwischen den technischen Indikatoren und Handelssignalen zu erfassen. Instead of using discrete class values during training of the network, a continuous trading signal within range 01 are fed to the network. The new trading signals in the range 01 can provide more detailed information regarding stock trading related to the original price variations. Darüber hinaus werden die Outputs aus dem CEFLANN-Modell in eine einfache Handelsstrategie mit Kauf-, Halte - und Verkaufssignalen nach geeigneten Regeln transformiert. Die Modellleistung wird anhand des in der Testperiode ermittelten Gewinnprozentsatzes bewertet. The CEFLANN model is also compared with some other known machine learning techniques like support vector machine (SVM), 5. 6. 8 and 9 Naive Bayesian model, K nearest neighbor model (KNN) 2 and 9 and decision tree (DT) 10 model. Der Rest des Papiers ist in den folgenden Abschnitten organisiert. In Abschnitt 2 werden die relevanten Bewertungen zu verschiedenen maschinellen Lerntechniken des Aktienhandels dargestellt. Abschnitt 3 enthält die Details des CEFLANN-Netzes, gefolgt von den Einzelheiten des ELM Learning in Abschnitt 4. Abschnitt 5 beschreibt die detaillierten Schritte des Entscheidungsunterstützungssystems für die Erzeugung von Aktienhandelsentscheidungspunkten. Abschnitt 6 zeigt die experimentellen Ergebnisse der Vergleichsanalyse. Schließlich enthält Abschnitt 7 die abschließenden Bemerkungen. 2 Literature survey Though most of the financial time series analysis involve prediction of stock price or it fluctuation, but trading the stock market is another popular research area. Gewinne oder Verluste aus dem Aktienhandel hängen letztlich von der Analyse der künftigen Bewegung von stark schwankenden und unregelmäßigen Aktienkurswerten ab. In der Literatur steht eine Reihe von Modellen zur Verfügung, die technische Analysen mit computergesteuerten intelligenten Techniken kombinieren, um die Kursbewegungen von Aktienkursen und den Aktienhandel vorhersagen zu können. In Fig. 11 wird ein neues Handelsumfeld eingeführt, das die Leistungsfähigkeit von verstärkungsbasierten Handelssystemen steigert, um Kauf - und Verkaufsvorschläge für Anleger in ihren täglichen Aktienhandel zu machen, um so ihren Gewinn am dynamischen Aktienmarkt zu maximieren. In Fig. 12 wird ein neues Modell unter Verwendung von Piecewise Linear Representations (PLR) und Künstliche Neuronale Netze (ANNs) vorgeschlagen, um die nichtlinearen Beziehungen zwischen dem geschlossenen Aktienkurs und verschiedenen technischen Indizes zu analysieren und das Wissen über Handelssignale, die in historischen Daten versteckt sind, zu erfassen. Das gelernte ANN-Modell wird verwendet, um die zukünftigen Handelssignale auf einer täglichen Basis vorherzusagen. Zweitens wird eine Handelsentscheidung durch die Entwicklung eines dynamischen Schwellenentscheidungssystems ausgelöst. Ein weiteres Prognosemodell, das das fallbasierte dynamische Fenster (CBDW) und das neuronale Netzwerk integriert, wird von 13 angewandt, um die richtigen Wendepunkte im Aktienhandel vorherzusagen, um so den Investitionsertrag zu maximieren. In Fig. 2 a method using together the well known k-NN classifier and some common tools of technical analysis, like technical indicators, stop loss, stop gain and RSI filters is proposed with the purpose of investigating the feasibility of using an intelligent trading system in real market conditions, considering real companies of So Paulo Stock Exchange and transaction costs. Ein effektives Handelssignal-Erfassungssystem unter Verwendung von Piecewise Linear Representations (PLR) und Künstliche Neuronale Netze (ANNs) wird in 14 vorgeschlagen, um das Wissen der Handelssignale, die in historischen Preisen verborgen sind, zu erfassen, indem die nichtlinearen Beziehungen zwischen dem geschlossenen Aktienkurs und verschiedenen technischen Indizes analysiert werden. Die Handelsentscheidung im Modell wird weiter durch eine dynamische Schwellengrenze ausgelöst, die dazu beiträgt, während des Handels einen signifikanten Gewinn zu erzielen. In Fig. 3 ein Handelssystem, das auf fundamentaler oder chartistischer Analyse basiert, soll die Anlagetechniken verbessern. Der Grundgedanke des Systems ist es, Handelspunkte auf der Grundlage eines finanziellen Indikators zu erzeugen, nämlich eines relativen Stärkeindex, der durch ein vorwärtsgerichtetes neuronales Netzwerk weiter berechnet wird. Another intelligent trading system using technical analysis, the Artificial Bee Colony Algorithm (ABC), a selection of past values, nearest neighbor classification (k-NN) and its variation, the Adaptive Classification and Nearest Neighbor is discussed in. 4 In Ref 15 a high-order fuzzy time series model based on entropy-based partitioning and adaptive expectation model has shown its superiority compared to other conventional fuzzy time series models in generating decision rules as investment references for stock investors. 3 Computational efficient functional link artificial neural network (CEFLANN) Computationally efficient FLANN is a single layer ANN having two components such as Functional expansion component and Learning component. In this network a set of highly nonlinear trigonometric basis functions are used in functional expansion block (FEB) that helps to capture the nonlinearity involves in the input space and to produce corresponding output space. The underlying betterment of the network lies in the fact of using an efficient FEB for input output mapping instead of using several hidden layers like traditional Multi Layer Perceptron network. Due to the single FEB, it possesses higher rate of convergence and lesser computational cost than those of a MLP structure. Unlike earlier FLANNS, where each input in the input pattern is expanded through a set of nonlinear functions, here all the inputs of the input pattern passes through a few set of nonlinear functions to produce the expanded input pattern. 16. 17 and 18 Fig. 1 depicts the single layer computationally efficient FLANN architecture. With the order n any d dimensional input pattern X x 1 . x 2 x d T is expanded to a m dimensional pattern CX by Trigonometric functional expansion as CX cx 1,cx 2 cx d . cx d1,cx d2 . cx m T x 1 . x 2 x d . cx d1,cx d2 . cx m T where m d n. For each order n, a trigonometric block (TB) containing a summation and tanh ( ) function is present in the FEB. Along with n number of TBs, a linear block is also present in the FEB which simply transfers the input features to the first d components of the expanded pattern. For each order n, the weighted sum of the components of the original input pattern is passed through the hyperbolic tangent (tanh ( )) function to produce an output o which is stored in cx l (with d1 l m). Each o i is obtained using the following formula. Where a ij is the associated parameter. Feige. 1. Architecture of computational efficient FLANN (CEFLANN). After expansion, weight is initialized for each expanded unit and then the weighted sum of the components of the enhanced input pattern produces the output y using the following equation. Where w jk is the connection weight between jth expanded input and kth output layer node. The error obtained by comparing the output with desired output is used to update the weights of the FLANN structure by a weight updating algorithm. 4 Extreme learning machine Extreme learning machine is a recently introduced learning algorithm for single-hidden layer feed-forward neural networks (SLFNs) which randomly chooses the weights of connections between the input variables and neurons in the hidden layer and the bias of neurons in the hidden layer and analytically determines the output weights instead of iterative tuning. 19 ELM not only has the capability of extremely fast learning and testing speed but also tends to achieve better generalization performance. The main advantage of ELM is that the hidden layer of SLFNs need not be tuned and it can work with a wide range of activation functions including piecewise continuous functions. 20. 21. 22 and 23 With a given a set of N training dataset D (x i . y i ), i 1 to N where each x i is a d dimensional input pattern and y i is the desired output, activation function for hidden layer nodes, H number of hidden layer nodes and a linear activation function in the output neuron, the output function of ELM for SLFN can be represented as: Where hj(x) is the activation function of hidden layer and W is the weight vector connecting the hidden layer neurons to output layer neuron. Equation (1) can be written as Where M is a N X (H 1) hidden layer feature mapping matrix in which ith row specifies the hidden layers output vector for an instance xi. Equation (2) being a linear system can be solved by Where is the Moore-Penrose generalized inverse of matrix M, gt0 is the regularization parameter and I is the M M identity matrix. The proposed approach uses the same concept of the ELM where the output weights are obtained analytically using a robust least squares solution including a regularization parameter. The use of least squares method with regularization parameter will help in improving the performance of ELM in presence of noisy data. 5 Detailed steps of stock trading In this section, a novel decision support system using a computational efficient functional link artificial neural network (CEFLANN) and a set of rules based on technical analysis is proposed to generate the trading decisions more effectively. Anstatt das CEFLANN-Netzwerk mit dem traditionellen Back-Propagation-Algorithmus zu trainieren, wird das ELM-Lernen für das Netzwerk vorgeschlagen. Als Eingangsmerkmale für das vorgeschlagene Modell werden sechs beliebte technische Indikatoren verwendet, die aus den historischen Aktienindexpreiswerten berechnet werden. Here predicting trading decisions is cast as a classification problem with three class values representing the buy, hold and sell signals. Instead of using discrete class values during training of the network, a continuous trading signal within range 01 are fed to the network. The new trading signals in the range 01 helps to provide more detailed information regarding stock trading related to the original price variations. Darüber hinaus werden die Outputs aus dem CEFLANN-Modell in eine einfache Handelsstrategie mit Kauf-, Halte - und Verkaufssignalen nach geeigneten Regeln transformiert. The framework figure of the proposed model is shown in Fig. 2. Feige. 2. Proposed model for stock trading. The detailed steps of stock trading using CEFLANN model trained with ELM are as follows: 5.1 Step 1: extract technical indicators In literature, researchers have used different types of technical indicators to monitor the future movement of stock prices and in setting up trading rules for buysellhold decisions. In this study, six popular technical indicators i. e. MA 15 . MACD 26 . K 14 . D 3 . RSI 14 . WR 14 are chosen as input to the proposed model. The technical indicators are calculated from historical prices as follows: Simple Moving Average (MA) : It is the simple statistical mean of previous n day closing price, that normally smoothies out the price values. In this study value of t is set to 25. Where cp(i) is the closing price. Moving Average Convergence and Divergence (MACD) : The MACD shows the relationship between two exponential moving averages of prices. Stochastic provides a mean of measuring price movement velocity. K measures the relative position of current closing price in a certain time range, whereas D specifies the three day moving average of K. Where cp(i) is the closing price, L t is the lowest price of last t days, H t is the highest price of last t days. Relative Strength Index (RSI) : RSI is a momentum indicator calculated as follows: Larry Williams R : Williams R is a stochastic oscillator, calculated as follows: Where cp(i) is the closing price, L t is the lowest price of last t days, H t is the highest price of last t days. 5.2 Step 2: trend analysis using technical indicators Gaining profit or loss from stock trading ultimately depends on analysis of future movement of stock price values. In literature different technical indicators are used for successful classification of up and down movements in stock price index values. In this study rules using MA are used for classifying the stock market movement as upward (Uptrend) or downward (downtrend) as follows: If closing price value leads its MA 15 and MA 15 is rising for last 5 days then trend is Uptrend i. e. trend signal is 1. If closing price value lags its MA 15 and MA 15 is falling for last 5 days then trend is Downtrend i. e. trend signal is 0. However, if none of these rules are satisfied then stock market is said to have no trend. To illustrate the use of the above rules, Table 1 represents a sample time series data set representing the closing price and calculated moving average values. Using the specified rules the trend analyzed are specified in the third column of the table. The trend analysis of the sample dataset using moving average is also given in Fig. 3 . Table 1. Example of trend analysis on sample data set. Feige. 3. Example of trend analysis on sample data set. 5.3 Step 3: trading signal generation from trend analysis Neural network models are supervised models, which need to be trained on existing input and output pattern. In our study the six technical indicators are taken as input and the model will produce trading decision of buy, sell or hold from the trend analysis. As buy, sell and hold are the discrete values and normally output of neural network is continuous values within range 01, so instead of using the discrete signal in training of network, trading signals in range 01 are generated using momentum of the stock prices. With reference to 12. 13 and 14 a new trading signal is generated in range 01 reflecting the price variation. It also provides more detailed information to make precise stock trading decision. It provides more insightful information related to the movement of the stock price. The continuous trading signals Tr i are generated using following rules: Where cpi, cpi1, cpi2, are the closing price of the ith, (i1)th, (i2)th trading days respectively. Table 2 represents the trading signal generated from the trend analysis for the sample data set using the equations (11) and (12) . Table 2. Example of trading signal generation from trend analysis for the sample data set. Originally the six technical indicator values represent continuous values in different ranges. So the input data is scaled in the range 01 using the min max normalization as follows: Where y normalized value. x value to be normalized x min minimum value of the series to be normalized x max maximum value of the series to be normalized Scaling the input data ensures that larger value input attributes does not overwhelm smaller value inputs. 5.5 Step 5: network structure creation and training using ELM CEFLANN is a single layer neural network with only an output layer. In this study we have used a network with six inputs representing the normalized six technical indicator values and one output neuron for producing the trading signals. The network performance varies based on the selected expansion order and learning technique used. So initially with a suitable expansion order and random values of associated parameters used in expansion, the network is created. Further with the ELM learning, the output weights of the network is obtained analytically using a robust least squares solution including a regularization parameter. The regularization parameter value is set through a parameter selection process. The working principle of the Computationally Efficient Functional Link Artificial Neural Network trained using ELM is detailed as follows: Step 1: Choose a suitable expansion order n for functional expansion of CEFLANN. Step 2: For each order n, randomly initialize the associated parameters and find a corresponding output component o i by passing the weighted sum of the components of the original input pattern through a tanh( ) using equation (1) . Step 3: Obtain the expanded input pattern by joining the s dimensional input vector with n number of o i components as the output of the functional expansion block (FEB) and represent it as matrix M specified in equation (4) . Step 4: Find the output weight matrix W using robust least square solution as specified in equation (5) . Step 5: Finally generate the output of the network as the weighted sum of the components of the enhanced input pattern CX using the equation (2) . 5.6 Step 6: trend determination from output trading signal After the training process, a new set of test data is applied to the trained network to produce a set of outputs. Output value of the network is the trading signal (OTr), i. e. the continuous value in range 01. To make trading decision, it is first required to track the trend and decide when to trade. The uptrend and down trend are classified from the output trading signals (OTr i ) using the following rules: Table 3 represents the output trading signal obtained from the network and the determined trend using equation (14) for the sample data set. Here the mean (Tr) is considered as 0.5. Table 3. Example of trend determination from output trading signal over the sample data set. 5.7 Step 7: trading point decision from predicted trend After obtaining the stock movement direction, trading points are obtained using straightforward trading rules as follows: The fourth column of Table 3 represents the trading decision taken from the predicted trend using rules given in equation (15) for the sample data set. 5.8 Step 8: Profit Calculation The main parameter adopted for performance evaluation is the profit percentage obtained during the test period. The profit percentage is generated from a combination of buy and sells transactions as follows: 6 Empirical study In this section the performance of the proposed model is validated for stock trading problem by applying it on two benchmark stock index data sets. The model performance is also compared with some other known classifiers like support vector machine (SVM), Naive Bayesian model, K nearest neighbor model (KNN) and decision tree (DT) model. 6.1 Dataset description Five years of historical stock index price values of two stock indices (BSE SENSEX and SampP 500) are used in this study. Initially both the data sets are divided into training and testing sets. For BSE data set the training set consists of 1000 patterns and remaining 208 patterns are used for testing and for SampP dataset the training set consists of 1000 patterns leaving the 221 patterns for testing. The detail of the data set is given in Table 4. Initially the six technical indicators are extracted from the historical prices and normalized using min max normalization to be fed as input to the network. Table 5 summarizes the statistical analysis of the selected technical indicators for both the stock indices. As the aim of the study is to derive short term trading points from trend analysis, so MA 15 has used for finding initial up down movements of the stock prices. Instead of using discrete value as output during training of the network, continuous trading signals are generated from the trend and used during training process. Table 4. Data set Description. 6.2 Parameter setup For CEFLANN with order n, input size s, the number of associated parameters used in functional expansion is n(s 1) and number of weights between expanded pattern and output neuron is (n s). Hence total number of unknown parameters need to be tuned by a learning algorithm is (n s) n(s 1). Using ELM the n(s 1) number of associated parameters are chosen randomly, and the remaining (n s) number of parameters are obtained using the equation (5). The performance of the proposed model depends on different factors like the order of expansion, value of regularization parameter, input space size and so on. So initially through a number of simulations the controlling parameters of the model are derived. 6.3 Experimental result analysis The generalization ability of the network is measured through a 5 fold cross validation approach applied on the initial 1000 samples taken as training dataset. The training dataset is divided into 5 groups, where first 4 randomly chosen groups are used for training and remaining one is used for validation. The average performance out of the 20 independent runs is considered for both the dataset. Finally the trained network is applied on the test pattern i. e. the out of sample data, which has not been used during training and validation. Feige. 4 and Fig. 5 show the trading signals generated from the CEFLANN model for both the dataset. The black line represents the average value of the trading signals obtained from the network, which is used as the threshold value for finding up trend and down trend. Further using the rules of equation (15). the trading points are generated. Feige. 4. Output trading signal obtained from CEFLANN model for BSE SENSEX data set. Feige. 5. Output trading signal obtained from CEFLANN model for SampP500 data set. Feige. 6 and Fig. 7 represents the initial trading points generated using the technical indicator MA 15 . Trading points predicted by using the proposed model for both the data set are shown in Fig. 8 and Fig. 9. The overall performance of the model compared to other soft computing techniques like SVM, Nave Bayesian, KNN and decision tree (DT) for the two dataset are shown in Table 6 and Table 7 respectively. Through a series of experimental tests, the proposed model consistently generates highest profit among others. Feige. 6. Initial Trading points generated using MA 15 for BSE SENSEX data set. Feige. 7. Initial Trading points generated using MA 15 for SampP500 data set. Feige. 8. Trading points from CEFLANN model for BSE SENSEX data set. Feige. 9. Trading points from CEFLANN model for SampP500 data set. Table 6. Performance comparison of stock trading models on BSE SENSEX data set. 7 Conclusion This study has proposed a novel decision support system for developing efficient stock trading strategies, which may provide attractive benefits for investors. The model has integrated technical analysis with machine learning techniques for efficient generation of stock trading decisions. In this study the problem of stock trading decision generation is cast as a classification task. A classification model using the computational efficient functional link artificial neural network (CEFLANN) with ELM learning approach is proposed for generating the stock trading decisions. The outputs from the CEFLANN model is transformed in to a simple trading strategy with buy, hold and sell signals using suitable rules. From the experimental result analysis it is clearly apparent that the proposed model provides superior profit percentage compared to some other known classifiers such as support vector machine (SVM), Naive Bayesian model, K nearest neighbor model (KNN) and decision tree (DT) model. Hence instead of taking trading decision based on particular technical indicators, it is more profitable to take trading decision using combination of technical indicators with computational intelligence tools. Further the work can be extended by validating the proposed model over more real world datasets. More work will be done on structure optimization of the model by using efficient optimization algorithms such as differential evolution, harmony search, shuffled frog leaping algorithm and soon. More technical analysis will also be explored in future. References 1 A. Kablan Adaptive neuro-fuzzy inference system for financial trading using intraday seasonality observation model World Acad Sci Eng Technol. Volume 58. 2009. pp. 479488 2 L. A. Teixeira. A. L.I. De Oliveira A method for automatic stock trading combining technical analysis and nearest neighbor classification Expert Syst Appl. Volume 37. 2010. pp. 68856890 3 A. Rodrguez-Gonzlez. . Garca-Crespo. R. Colomo-Palacios. F. G. Iglesias. J. M. Gmez-Berbs CAST: using neural networks to improve trading systems based on technical analysis by means of the RSI financial indicator Expert Syst Appl. Volume 38. 2011. pp. 1148911500 4 R. C. Brasileiro. V. L. Souza. B. J. Fernandes. A. L. Oliveira Automatic method for stock trading combining technical analysis and the artificial bee colony algorithm IEEE Congr Evol Comput (CEC). 2013, June. pp. 18101817 IEEE 5 Y. Kara. M. A. Boyacioglu..K. Baykan Predicting direction of stock price index movement using artificial neural networks and support vector machines: the sample of the Istanbul stock exchange Expert Syst Appl. Volume 38. 2011. pp. 53115319 6 J. Patel. S. Shah. P. Thakkar. K. Kotecha Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques Expert Syst Appl. Volume 42. 2015. pp. 259268 7 A. Wysocki. M. Lawrynczuk An investment strategy for the stock exchange using neural networks Federated Conference on Computer Science and Information Systems (FedCSIS). 2013, September. pp. 183190 IEEE 8 Q. Wen. Z. Yang. Y. Song. P. Jia Automatic stock decision support system based on box theory and SVM algorithm Expert Syst Appl. Volume 37. 2010. pp. 10151022 9 M. Ballings. D. Van den Poel. N. Hespeels. R. Gryp Evaluating multiple classifiers for stock price direction prediction Expert Syst Appl. Volume 42. 2015. pp. 70467056 10 M. C. Wu. S. Y. Lin. C. H. Lin An effective application of decision tree to stock trading Expert Syst Appl. Volume 31. 2006. pp. 270274 11 J. W. Lee. J. Park. J. Lee. E. Hong A multiagent approach to Q-learning for daily stock trading IEEE Trans Syst Man Cybern Part A Syst Humans. Volume 37. 2007. pp. 864877 12 P. C. Chang. C. Y. Fan. C. H. Liu Integrating a piecewise linear representation method and a neural network model for stock trading points prediction IEEE Trans Syst Man Cybern Part C Appl Rev. Volume 39. 2009. pp. 8092 13 P. C. Chang. C. H. Liu. J. L. Lin. C. Y. Fan. C. S. Ng A neural network with a case based dynamic window for stock trading prediction Expert Syst Appl. Volume 36. 2009. pp. 68896898 14 P. C. Chang. T. W. Liao. J. J. Lin. C. Y. Fan A dynamic threshold decision system for stock trading signal detection Appl Soft Comput. Volume 11. 2011. pp. 39984010 15 M. Y. Chen A high-order fuzzy time series forecasting model for internet stock trading Future Gener Comput Syst. Volume 37. 2014. pp. 461467 16 D. K. Bebarta. B. Biswal. P. K. Dash Comparative study of stock market forecasting using different functional link artificial neural networks Int J Data Analysis Tech Strategies. Volume 4. 2012. pp. 398427 17 R. Dash. P. K. Dash. R. Bisoi A self adaptive differential harmony search based optimized extreme learning machine for financial time series prediction Swarm Evol Comput. Volume 19. 2014. pp. 2542 18 A. K. Rout. P. K. Dash. R. Dash. R. Bisoi Forecasting financial time series using a low complexity recurrent neural network and evolutionary learning approach J King Saud Univ Comput Inf Sci. 2015 19 G. B. Huang. Q. Y. Zhu. C. K. Siew Extreme learning machine: theory and applications Neurocomputing. Volume 70. 2006. pp. 489501 20 G. B. Huang. D. H. Wang. Y. Lan Extreme learning machines: a survey Int J Mach Learn Cybern. Volume 2. 2011. pp. 107122 21 G. B. Huang. H. Zhou. X. Ding. R. Zhang Extreme learning machine for regression and multiclass classification IEEE Trans Syst Man Cybern Part B Cybern. Volume 42. 2012. pp. 513529 22 A. Bueno-Crespo. P. J. Garca-Laencina. J. L. Sancho-Gmez Neural architecture design based on extreme learning machine Neural Netw. Volume 48. 2013. pp. 1924 23 M. Luo. K. Zhang A hybrid approach combining extreme learning machine and sparse representation for image classification Eng Appl Artif Intell. Volume 27. 2014. pp. 228235 Peer review under responsibility of China Science Publishing amp Media Ltd. Rajashree Dash is working as an Asst. Professor in ITER, Siksha O Anusandhan University. She has completed her M. Tech in Computer Science and Engineering. Now she is pursuing her P. H.D. Her research topics include data mining, time series prediction, evolutionary computation etc. Professor P. K.Dash holds D. SC.,Ph. D. degrees in Electrical Engineering and currently is the director of research at the Siksha O Anusandhan University, Bhubaneswar, India. He had several visiting appointments at the Universities in USA, Canada, Singapore, and Malaysia. He has published more than 450 papers in reputed International journals and conferences. His research interests include Power Engineering, Renewable Energy, Signal Processing, Computational intelligence, Evolutionary Computing, and Information Technology. 2016, China Science Publishing amp Media Ltd. Production and hosting by Elsevier on behalf of KeAi Communications Co. Ltd. Open access funded by China Science Publishing amp Media Ltd Citing articles ( )
Comments
Post a Comment