Pair Trading Strategie Zeitschrift

TIJs Research Journal of Social Science Management - RJSSM Das Internationale Journal Research Publikationen Research Journal of Social Science Management-RJSSM wird mit ISSN ausgestellt von National Library, Singapur gefördert. Die Vision ist es, die Forschungsbrüderschaft zu ermutigen, ihr Wissen zu teilen und jede wertvolle Arbeit online zu veröffentlichen und damit eine Harmonie zwischen der Forschungsgemeinschaft zu schaffen. Dieses Journal ist nur ein erster Schritt und nach vorne können Sie auf viele weitere Zeitschriften Ausschau halten, die mit dem einzigen Ziel der Bereitstellung der Wissensgemeinschaft in der Forschung beteiligt werden gestartet werden. TIJs Research Zeitschriften sind im International Directory wie aufgeführt. Ulrichs Periodicals Directory (ein ProQuest Co.), Index Copernixus, wissenschaftliches Journal Impact Factor, Google Scholar, Open J-Gate. Und viele andere beliebte Verzeichnisse für besseres Zitat und Impact Factor. Auch in den Prozess der Auflistung in Thomson Reuters, Scopus wie Verzeichnisse. Es wird in hohem Grade geschätzt, wenn Sie diese Einladung über Ihre KollegenFreunde weiterleiten können und fordern Sie mehr Anmeldungen Einreichungen an, die am meisten helfen können, da wir eine bessere Reichweite über Kontinente haben und von den Lesern weltweit zugegriffen werden und beachten Sie, dass das Journal die Ausgaben (elektronisch Format) in der Nationalbibliothek, Singapur. Alternativ können Sie potenzielle Autoren E-Mail-Adresse an den Redakteur senden oder klicken Sie hier, um diese Seite an einen Freund zu senden Klicken Sie hier, um unsere anderen Zeitschriften zu besuchen Vol 6, Nr. 10 (2017): 01. Februar 2017 TIJs Research Zeitschriften sind im internationalen Verzeichnis aufgeführt . Ulrichs Periodicals Directory (ein ProQuest Co.), Index Copernixus, wissenschaftliches Journal Impact Factor, Google Scholar, Open J-Gate. Und viele andere beliebte Verzeichnisse für besseres Zitat und Impact Factor. Auch in den Prozess der Auflistung in Thomson Reuters, Scopus wie Verzeichnisse. Um die CoverpageWrapper-Datei herunterzuladen 1) Klicken Sie mit der rechten Maustaste auf das Bild, 2) wählen Sie Bild speichern als und 3) wählen Sie Ihren gewünschten lokalen Ordner. Top 5 Beliebte Trading-Strategien Dieser Artikel zeigt Ihnen einige der häufigsten Handelsstrategien und auch wie Sie können Analysiere die Vor-und Nachteile von jedem, um die besten für Ihren persönlichen Trading-Stil zu entscheiden. Die fünf besten Strategien, die wir abdecken werden, sind wie folgt: Breakouts sind eine der häufigsten Techniken, die auf dem Markt zum Handel verwendet werden. Sie bestehen aus der Identifizierung eines wichtigen Preisniveaus und dann Kauf oder Verkauf als der Preis bricht, dass vor bestimmten Niveau. Die Erwartung ist, dass, wenn der Preis genug Kraft hat, um das Niveau zu brechen, dann wird es weiter in diese Richtung zu bewegen. Das Konzept eines Ausbruchs ist relativ einfach und erfordert ein moderates Verständnis von Unterstützung und Widerstand. Wenn der Markt tendiert und sich in einer Richtung stark bewegt, stellt der Breakout-Handel sicher, dass Sie den Umzug niemals verpassen. Im Allgemeinen werden Ausbrüche verwendet, wenn der Markt bereits bei oder in der Nähe der extremen hohen Tiefs der jüngsten Vergangenheit ist. Die Erwartung ist, dass der Preis sich weiter mit dem Trend bewegen wird und tatsächlich die extreme Höhe brechen und weitergehen wird. In diesem Sinne, um effektiv den Handel zu nehmen, müssen wir einfach einen Auftrag direkt über dem hohen oder knapp unter dem niedrigen Platz setzen, damit der Handel automatisch eingegeben wird, wenn der Preis sich bewegt. Diese werden als Grenzaufträge bezeichnet. Es ist sehr wichtig, Handelsausbrüche zu vermeiden, wenn der Markt nicht tendiert, weil dies zu falschen Trades führen wird, die zu Verlusten führen. Der Grund für diese Verluste ist, dass der Markt nicht die Dynamik hat, um die Bewegung über die extremen Höhen und Tiefen fortzusetzen. Wenn der Preis auf diese Gebiete trifft, fällt es normalerweise in den vorherigen Bereich zurück, was zu Verlusten für alle Händler führt, die versuchen, in die Richtung des Umzugs zu halten. Retracements Retracements erfordern eine etwas andere Skill-Set und drehen sich um den Händler, die eine klare Richtung für den Preis zu bewegen und zuversichtlich, dass der Preis wird weiter zu bewegen. Diese Strategie basiert auf der Tatsache, dass nach jedem Zug in die erwartete Richtung, Der Preis wird vorübergehend umgekehrt, da Händler ihre Gewinne nehmen und Anfänger Teilnehmer versuchen, in die entgegengesetzte Richtung zu handeln. Diese Rückzieher oder Retracements bieten professionellen Händlern einen viel besseren Preis an, bei dem man kurz vor der Fortsetzung des Umzugs in die ursprüngliche Richtung eintreten kann. Beim Handel Retracements Unterstützung und Widerstand wird auch verwendet, wie bei Ausbrüchen. Eine fundamentale Analyse ist auch für diese Art von Handel entscheidend. Wenn der anfängliche Schritt stattgefunden hat, werden die Händler über die verschiedenen Preisniveaus informiert, die bereits im ursprünglichen Umzug verletzt wurden. Sie achten besonders auf Schlüsselniveaus von Unterstützung und Widerstand und Bereiche auf dem Preis Diagramm wie 00 Niveaus. Dies sind die Ebenen, die sie sehen werden, um zu kaufen oder zu verkaufen von später auf. Retracements werden nur von Händlern in Zeiten verwendet, in denen kurzfristige Stimmung durch ökonomische Ereignisse und Nachrichten verändert wird. Diese Nachricht kann vorübergehende Schocks auf den Markt führen, die zu diesen Retracements gegen die Richtung der ursprünglichen Bewegung führen. Die anfänglichen Gründe für den Umzug können noch vorhanden sein, aber das kurzfristige Ereignis kann dazu führen, dass die Anleger nervös werden und ihre Gewinne nehmen, was wiederum das Retracement verursacht. Weil die anfänglichen Bedingungen dies bleiben, dann bietet anderen professionellen Investoren die Möglichkeit, wieder in den Umzug zu einem besseren Preis, was sie oft tun. Retracement-Handel ist in der Regel ineffektiv, wenn es keine klare grundlegende Gründe für den Umzug in den ersten Platz. Wenn Sie also einen großen Zug sehen, aber keinen klaren fundamentalen Grund für diesen Schritt erkennen können, kann sich die Richtung schnell ändern und was scheint ein Retracement zu sein, kann sich tatsächlich als neuer Umzug in die entgegengesetzte Richtung erweisen. Dies führt zu Verlusten für alle, die versuchen, im Einklang mit dem ursprünglichen Movendational Intelligence und Neuroscience 1 Department für Informatik und Information Engineering, National University of Kaohsiung, Kaohsiung 811, Taiwan 2 Department of Electrical Engineering, National Chiayi University, Chiayi City 60004 , Taiwan erhielt 21. Dezember 2014 revidiert 6. März 2015 Akzeptiert 14. März 2015 Akademischer Herausgeber: Rahib H. Abiyev Copyright 2015 Chien-Feng Huang et al. Dies ist ein Open Access Artikel, der unter der Creative Commons Attribution License verteilt wird. Die eine uneingeschränkte Nutzung, Verteilung und Vervielfältigung in jedem Medium zulässt, sofern die ursprüngliche Arbeit ordnungsgemäß angeführt wird. Der Paarhandel ist ein wichtiges und herausforderndes Forschungsgebiet in der Rechenfinanzierung, in dem Paare von Aktien in Paarkombinationen für Arbitrage-Chancen gekauft und verkauft werden. Traditionelle Methoden, die diesen Satz von Problemen lösen, beruhen meistens auf statistischen Methoden wie Regression. Im Gegensatz zu den statistischen Ansätzen führen die jüngsten Fortschritte in der Computational Intelligence (CI) zu vielversprechenden Möglichkeiten, Probleme in den Finanzanwendungen effektiver zu lösen. In dieser Arbeit stellen wir eine neuartige Methodik für den Paarhandel mit genetischen Algorithmen (GA) vor. Unsere Ergebnisse zeigten, dass die GA-basierten Modelle in der Lage sind, den Benchmark deutlich zu übertreffen, und unsere vorgeschlagene Methode ist in der Lage, robuste Modelle zur Bewältigung der dynamischen Eigenschaften in der untersuchten Finanzanwendung zu erzeugen. Basierend auf den vielversprechenden Ergebnissen, erwarten wir diese GA-basierte Methode, um die Forschung in Computational Intelligence für Finanzen voranzutreiben und eine effektive Lösung für Paare Handel für Investitionen in der Praxis. 1. Einleitung In den vergangenen Jahrzehnten wurden aufgrund der Unwirksamkeit traditioneller statistischer Ansätze wie Regressions - und Faktorenanalyseverfahren zur Lösung schwieriger finanzieller Probleme die Methoden der Computational Intelligence, einschließlich der Fuzzy-Theorie, der künstlichen neuronalen Netze (ANN), Unterstützungsvektormaschinen (SVM) und evolutionäre Algorithmen (EA) wurden als wirksamere Alternativen zur Lösung der Probleme im Finanzbereich entwickelt. 2. Unter den CI-basierten Techniken, die für die Finanzierung studiert wurden, können die Modelle als zwei Hauptanwendungsgebiete eingestuft werden: (1) Aktienauswahl, Portfolio-Management und Optimierung 3 6 und (2) Vorhersage der finanziellen Zeitreihen 7. 8. Für die erste Kategorie beinhalten frühere Forschungsarbeiten die Fuzzy-Mehrfachattribut-Entscheidungsanalyse für die Portfolio-Konstruktion 9. Zargham und Sayeh 10 verwendeten ein Fuzzy-Regel-basiertes System, um eine Reihe von Aktien für die gleiche Aufgabe zu bewerten. Chapados und Bengio 11 trainierten neuronale Netze zur Schätzung und Vorhersage des Vermögensverhaltens, um die Entscheidungsfindung in der Asset Allocation zu erleichtern. In EA-Anwendungen in dieser Forschungsrichtung haben Becker et al. 12 genetische Programmierung (GP) zur Entwicklung von Aktien-Ranking-Modelle für den US-Markt. Lai et al. 13 verwendet eine zweistufige GA, um Aktien aus der Shanghai-Börse für den Zeitraum von Jahren 2001 bis 2004 auszuwählen. In Lai et al. s Arbeit, ROCE, EPS, PE und Liquiditätsverhältnisse werden verwendet, um Aktien zu ordnen, und sie Verwendet die GA, um den optimalen Prozentsatz des Kapitals zu berechnen, das jedem der Vermögenswerte zugeordnet ist. Lai et al. Dann kam sie zu dem Schluss, dass ihre GA-basierte Optimierungsmethode für Finanzanwendungen effektiver ist als unscharfe oder künstliche neuronale Netze. Vor kurzem entwickelte Huang 5 ein hybrides maschinelles Lernmodell, um vielversprechende Sätze von Merkmalen und optimalen Modellparametern zu identifizieren. Das Huangs-Modell wurde als wirksamer als die Benchmark und einige traditionelle statistische Methoden zur Aktienauswahl gezeigt. Um die Leistungsfähigkeit der Single-Objektiv-GA-basierten Modelle zu verbessern, wurden in jüngster Zeit Chen et al. 14 schlug eine multiobjektive GA-basierte Methode für die Ziele der steigenden Investitionsrendite vor und reduzierte das Risiko gleichzeitig. In diesem Ansatz nutzten die Autoren die nondominierte Sortierung, um nach nondominierten Lösungen zu suchen und zeigten, dass die multiobjektive Methode die von Huang 5 vorgeschlagene Ein-Ziel-Version übertraf. Ein weiteres populäres Studium der Computational Intelligence war vor allem die Vorhersage der finanziellen Zeitreihen. Eine gewisse Menge an Forschung beschäftigt Netzwerk-Lerntechniken, einschließlich Vorlauf, radiale Basisfunktion oder wiederkehrende NN 7 und SVM 8. Andere intelligente Methoden, wie genetisch entwickelte Regressionsmodelle 15 und induktive Fuzzy-Inferenzsysteme 16, waren auch in der Literatur verfügbar. Paare Handel 17 ist ein wichtiger Forschungsbereich der Computational Finance, die in der Regel auf Zeitreihen Daten der Aktienkurs für Investitionen, in denen Aktien gekauft und verkauft werden paarweise für Arbitrage-Möglichkeiten. Es ist eine bekannte spekulative Strategie auf den in den 1980er Jahren entwickelten Finanzmärkten und wurde als ein wichtiges Longshort-Aktieninvestment-Tool von Hedgefonds und institutionellen Investoren eingesetzt 18. Zwar gab es eine beträchtliche Menge an CI-basierten Studien in Finanzanwendungen, berichtete CI-basierte Forschung für Paare Handel ist spärlich und fehlt ernsthafte Analyse. Bisher beruhen viele bestehende Arbeiten entlang dieser Forschungsrichtung auf traditionellen statistischen Methoden wie dem Kointegrationsansatz 19, den Kalman-Filtern 20. 21 und der Prinzipkomponentenanalyse 18. Im CI-Bereich haben Thomaidis et al. 17 beschäftigte eine Methode der neuronalen Netze für die gepaarten Unternehmen von Infosys und Wipro in Indien und erzielte einen angemessenen Return on Investment mit dem Paar von Aktien. Saks und Maringer 22 verwendeten genetische Programmierung für verschiedene Paar von Aktien in Eurostoxx 50 Aktien und fanden auch gute Paar-Trading-Strategien. Obwohl es diese bisherigen CI-basierten Studien für den Paarhandel gab, fehlte ihnen eine ernsthafte Analyse wie die Methode der zeitlichen Validierung, die in 5. 23 zur weiteren Bewertung der Robustheit der Handelssysteme verwendet wurde. Darüber hinaus wurden in diesen früheren Studien die Handelsmodelle mit nur zwei Aktien als Handelspaar hier konstruiert, schlagen wir einen verallgemeinerten Ansatz vor, der mehr als zwei Aktien als Handelsgruppe für Arbitrage verwendet, um die Performance der Modelle weiter zu verbessern . In dieser Studie beschäftigen wir auch die GA für die Optimierungsprobleme in unseren vorgeschlagenen Arbitrage-Modellen. In einer vergangenen Studie 23 haben Huang et al. Verglichen die traditionelle lineare Regression und die GA für die Aufgabe der Aktienauswahl und zeigte, dass das GA-basierte Modell in der Lage ist, das lineare Regressionsmodell zu übertreffen. Motiviert durch diese Forschungsarbeit, beabsichtigen wir also, die GA zu nutzen, um unser intelligentes System für den Paarhandel zu optimieren, und die experimentellen Ergebnisse zeigen, dass unsere vorgeschlagene GA-basierte Methodik in der Outperformance der Benchmark vielversprechend ist. Darüber hinaus zeigen wir im Gegensatz zu traditionellen Paarenhandelsmethoden, die auf passende Aktienpaare mit ähnlichen Merkmalen abzielen, auch, dass unsere Methode in der Lage ist, Arbeitshandelsmodelle für Aktien mit unterschiedlichen Merkmalen zu konstruieren. In dieser Studie untersuchen wir auch die Robustheit unserer vorgeschlagenen Methode und die Ergebnisse zeigen, dass unsere Methode in der Tat effektiv bei der Erzeugung robuster Modelle für die dynamische Umgebung des Paaren-Handelsproblems ist. Dieses Papier ist in vier Abschnitte unterteilt. Abschnitt 2 skizziert die in unserer Studie vorgeschlagene Methode. In Abschnitt 3. beschreiben wir die in dieser Studie verwendeten Forschungsdaten und präsentieren die experimentellen Ergebnisse und Diskussionen. Abschnitt 4 schließt dieses Papier ab. 2. Materialien und Methoden In diesem Abschnitt stellen wir Ihnen den relevanten Hintergrund und Beschreibungen für die Gestaltung unserer Paars-Trading-Systeme mit dem GA zur Modelloptimierung zur Verfügung. 2.1. Pairs Trading Pairs Handel ist weithin angenommen, um der Ahne der statistischen Arbitrage, die eine Handelsstrategie zu gewinnen Gewinn aus Preisgestaltung Diskrepanzen in einer Gruppe von Aktien 17. Traditionelle Entscheidungsfindung für Investitionen in der Regel beruht auf Grundlagen von Unternehmen, um ihren Wert zu bewerten und Preis ihre Aktien, entsprechend. Da die wahren Werte der Bestände selten bekannt sind, wurden die Pa - terhandelstechniken entwickelt, um dies zu lösen, indem sie Aktienpaare mit ähnlichen Merkmalen (z. B. Bestände aus derselben Branche) investieren. Dieser gegenseitige Missbrauch zwischen zwei Aktien wird theoretisch durch den Begriff der Ausbreitung formuliert, der verwendet wird, um die relativen Positionen zu identifizieren, wenn ein ineffizienter Markt zu einem Missbrauch der Bestände führt. Infolgedessen ist das Handelsmodell in der Regel marktneutral in dem Sinne, dass es mit dem Markt unkorreliert ist und eine niedrige Volatilitäts-Anlagestrategie hervorbringen kann. Eine typische Form des Paares Handel von Aktien operiert durch den Verkauf der Aktie mit einem relativ hohen Preis und den Kauf der anderen mit einem relativ niedrigen Preis zu Beginn der Handelsperiode, erwartet, dass die höhere wird sinken, während die niedrigere wird in der Zukunft. Die Preisspanne der beiden Aktien, die auch als Ausbreitung bekannt ist, dient somit als Signal für die offenen und engen Positionen der Aktienpaare. Während der Handelsperiode wird die Position eröffnet, wenn sich die Spread um eine bestimmte Schwelle erweitert und danach die Positionen geschlossen werden, wenn die Sperrung der Aktien zurückkehrt. Das Ziel dieser Long-Short-Strategie ist es, von der Bewegung der Spread zu profitieren, von der erwartet wird, dass sie auf ihr langfristiges Mittel zurückkehrt. Betrachten Sie das Anfangskapital mit einem Zinssatz pro Jahr und einer Häufigkeit der Compoundierung in einem Jahr, in dem das Kapital nach einem Jahr ausgedrückt werden kann, wo ein stationärer, mittlerer Wiederherstellungsprozess ist, ist die Drift im Vergleich zu den Schwankungen von und kann vernachlässigt werden Viele Anwendungen. Der Grundgedanke hinter dem Mittelrevertierungsprozess besteht darin, dass es ein langfristiges Gleichgewicht (Mittelwert) für die Ausbreitung gibt. Der Anleger kann auf die Umkehr der gegenwärtigen Ausbreitung auf sein historisches Mittel durch den Verkauf und den Kauf einer angemessenen Menge des Paares der Bestände wetten. Wie (5) zeigt, erwartet man die Rücksendung von Aktien und einander nach der ordnungsgemäßen Kontrolle zu verfolgen. Dieses Modell schlägt eine Anlagestrategie vor, bei der man lange dauert 1 Dollar und kurzer Dollar, wenn klein ist. Umgekehrt, wenn groß ist, nimmt man eine entgegengesetzte Strategie, die kurz und lang geht. Infolgedessen kann die Rückkehr des Long-Short-Portfolios um ein statistisches Gleichgewicht oszillieren. In der realen Praxis kann die Rendite des Long-Short-Portfolios für einen bestimmten Zeitraum wie folgt berechnet werden: Wo und bezeichnen Sie den Preis der Aktie, wo wir uns lange befinden und. Und bezeichnen den Preis der Lagerbestände, wo wir kurz sind und. beziehungsweise. Die Paire-Trading-Methode kann auf eine Gruppe von Aktien verallgemeinert werden, in denen Missverständnisse durch eine ordnungsgemäße Kombination von Vermögenswerten identifiziert werden können, deren Zeitreihen ein Mittelwert sind. Betrachten wir eine Reihe von Vermögenswerten und die entsprechenden Zeitreihen der Aktienkurse, kann ein statistischer Mißerfolg als eine lineare Kombination betrachtet werden, wo ein Mittelwertrechnungsprozess ist und der Vektor die Proportionen des Kapitals darstellt, die jedem Vermögenswert im Portfolio zugeordnet sind. Die mittlere Reversion in der obigen Gleichung bezieht sich auf die Annahme, dass sowohl die hohen als auch die niedrigen Preise des synthetischen Vermögenswertes vorübergehend sind und dass sich der Preis im Laufe der Zeit zu seinem durchschnittlichen Preis bewegt. 2.2 Handelssysteme 2.2.1. Market Timing-Modelle In dieser Arbeit kann der langfristige Mittelwert eines Vermögenswerts im Mittelrückzahlungsprozess durch den gefeierten gleitenden Durchschnitt 24 modelliert werden, was der durchschnittliche Kurs eines Vermögenswertes in einem bestimmten Zeitraum ist. Lass den Preis einer Aktie zur Zeit sein. Der gleitende Durchschnitt zur Zeit. Der Mittelwert der Preise, die den letzten Zeiträumen entsprechen, ist definiert In dieser Studie setzen wir die Bollinger Bands 24 ein, um festzustellen, ob die Ausbreitung eines Paares von Aktien von ihrem dynamischen Durchschnittswert abweicht. Typischerweise verschreiben die Bollinger-Bänder zwei Volatilitätsbänder, die oberhalb und unterhalb eines gleitenden Durchschnitts angeordnet sind, wobei die Volatilität als ein Vielfaches der Standardabweichung der Preise in der Vergangenheit definiert werden kann. Formell können die Bollinger Bands wie folgt definiert werden: Wo ist die Standardabweichung der Preise, zur Zeit. Über die vergangenen Zeiträume ist ein Parameter, der verwendet wird, um die Breite der oberen und unteren Bänder auf den gleitenden Durchschnitt zu steuern. Ein wichtiger Bestandteil eines erfolgreichen Handelssystems ist es, Modelle für Markt-Timing zu konstruieren, die sinnvolle Einstiegs - und Ausstiegspunkte im Markt vorschreiben. In dieser Studie werden wir die gleitenden Durchschnitte und Bollinger Bands nutzen, um ein Handelssystem zu entwickeln, das im nächsten Unterabschnitt beschrieben wird. 2.2.2. Handelsstrategie und Leistungsbewertung Wir berechnen die Ausbreitung für den synthetischen Vermögenswert, der von wo erzeugt wird. Ist der Preis der Aktien zur Zeit. Und s sind die Modellparameter der verallgemeinerten Paare, die geschätzt werden sollen. In dieser Arbeit bezeichnen wir die Handelsstrategie für einen zu kaufen (zu verkaufen) die Ausbreitung, nachdem sie Standardabweichungen unterhalb (über) ihren Mittelwert hat und die Position ist geschlossen, nachdem die Ausbreitung näher kommt als Standardabweichungen zu ihrem Mittelwert, wo Und hier bewerten wir die Wertentwicklung eines Handelssystems im Hinblick auf seine zusammengesetzte Rendite, die durch die relevanten Parameter der verwendeten Handelsmodelle bestimmt werden soll. Zuerst definieren wir die Rückgabe eines Handelssystems für das, wo die Menge der Modellparameter angegeben ist. Dann ist die Performance-Metrik, die wir hier verwenden, durch die gesamte kumulative (zusammengesetzte) Rendite, wo ist definiert durch das Produkt der Renditen über konsekutiven Trades as Deshalb, in den Prozess des Kapitalwachstums, das Kapital am Ende der Trades ist, wo ist die Startkapital. 2.3 Optimierung von Handelssystemen Angesichts der Markt - und Paßhandelsmodelle soll die Performance eines Handelssystems durch geeignete Werte der entsprechenden Modellparameter erweitert werden. Für die Markt-Timing-Modelle beinhalten die Parameter den Zeitraum für den gleitenden Durchschnitt und die Parameter und für die Bollinger-Bänder, die die Vielfachen der Standardabweichungen des gleitenden Durchschnitts für Ein - und Ausspeisepunkte steuern. Für das Paar-Handelsmodell bestehen die Parameter aus dem Satz der Gewichtungsterme (n) im syntaktischen Vermögenswert aus (10). In dieser Studie schlagen wir vor, genetische Algorithmen (GA) für die Suche nach optimalen Parametern des Handelssystems zu verwenden. Wir beschreiben die Grundlagen von GA sowie unser vorgeschlagenes Optimierungsschema im Folgenden. Genetische Algorithmen 25 wurden als rechnerische Simulationsmodelle von natürlichen Evolutionssystemen und als adaptive Algorithmen zur Lösung komplexer Optimierungsprobleme in der realen Welt verwendet. Der Kern dieser Klasse von Algorithmen liegt in der Produktion von neuen genetischen Strukturen, im Laufe der Evolution, die Innovationen für Lösungen für das Problem bieten. Typischerweise arbeitet die GA auf einer sich entwickelnden Population von künstlichen Mitteln, deren Zusammensetzung so einfach sein kann wie eine binäre Saite, die eine Lösung für das vorliegende Problem kodiert, und einen Phänotyp, der die Lösung selbst darstellt. In jeder Iteration wird eine neue Generation durch die Anwendung von Crossover und Mutation an Kandidaten, die als die Eltern ausgewählt werden, geschaffen. Evolution erfolgt durch iterierte stochastische Variation von Genotypen und Auswahl der Fit-Phänotypen in einer Umgebung, basierend darauf, wie gut die einzelnen Lösungen ein Problem lösen. In unserem vorgeschlagenen Codierungsentwurf wird die Zusammensetzung eines Chromosoms aus vier Teilen ausgelegt, die den Periodenparameter für den gleitenden Durchschnitt, die Vielfachen und die Standardabweichungen für die Bollinger-Bänder und den Satz der Gewichtungskoeffizienten für / Das Paar-Modell von (10). Hier verwenden wir das binäre Codierungsschema, um ein Chromosom im GA darzustellen. In Abbildung 1 stellen Loci die Codierung für den Zeitraum des gleitenden Durchschnitts dar. Loci repräsentieren die Kodierung von bzw. für die Bollinger Bands. Schließlich stellen Loci die Kodierung des Gewichtungskoeffizienten dar. Abbildung 1: Chromosomencodierung. In unserem Kodierungsschema soll das Chromosom, das die Genotypen von Parametern repräsentiert, in den Phänotyp nach (13) unten für eine weitere Eignungsberechnung umgewandelt werden. Die Präzision, die jeden Parameter repräsentiert, hängt von der Anzahl der Bits ab, die verwendet werden, um sie im Chromosom zu codieren, was wie folgt bestimmt wird: Wo ist der entsprechende Phänotyp für den jeweiligen Parameter und sind die minimalen und maximalen Werte des Parameters der entsprechende Dezimalwert ( Wird auf ganze Zahlen gekürzt, wenn der Parameter ganzzahlig ist) und ist die Länge des Blocks, der verwendet wird, um den Parameter im Chromosom zu codieren. Mit diesem Schema definieren wir die Fitness-Funktion eines Chromosoms als die annualisierte Rückkehr des Handelssystems über Jahre der Investition: Wo ist die gesamte kumulative Rendite berechnet durch (11). Unser GA-basiertes Arbitrage-System ist ein mehrstufiges Verfahren, einschließlich der gleichzeitigen Optimierung der Gewichtungskoeffizienten für Bestände, der Periode für den gleitenden Durchschnitt und der Breite der Bollinger Bands. Der Eingang zum System ist die Zeitreihen-Datensätze des Aktienkurses. Für irgendwelche Kombinationen von Modellparametern des gleitenden Durchschnitts, Bollinger Bands und der Gewichtungskoeffizienten von Aktien, verwenden wir das Paar-Handel Arbitrage-System für Investitionen. In dieser Arbeit wird das Timing für den Handel als Kauf (Verkauf) der Spread direkt nach dem Erreichen einer gewissen Distanz (gemessen durch Standardabweichungen zum Durchschnitt) unterhalb (oben) des Durchschnitts und die Position wird dann nach der Ausbreitung geschlossen Nähert sich dem Mittelwert. Die Bestände, die lang oder kurz sind, werden durch die Gewichtungsterme (n) im syntaktischen Vermögenswert aus (10) bestimmt. Wir berechnen dann die entsprechenden Erträge für die Leistungsbewertung des Systems. In dieser Studie wird das GA als Optimierungswerkzeug zur gleichzeitigen Optimierung dieser Modellparameter verwendet. Die endgültige Ausgabe ist ein Satz von Modellparametern (optimiert durch die GA), die die Paar-Trading - und Timing-Modelle vorschreibt. Das Flußdiagramm dieses GA-basierten Handelssystems ist in Abbildung 2 zusammengefasst. Abbildung 2: Flussdiagramm des GA-basierten Arbitragesystems. 3. Ergebnisse und Diskussion In diesem Abschnitt untersuchen wir die Leistungsfähigkeit unserer vorgeschlagenen Methode für Paar-Handelssysteme. Wir verwenden zwei Sätze von Aktien, die in der Taiwan-Börse zur Veranschaulichung aufgeführt sind: (1) der Satz von 10 Aktien mit ähnlichen Eigenschaften von der Halbleiterindustrie, die der wichtigste Industriesektor in Taiwan in den letzten zwei Jahrzehnten ist, und (2) Der Satz der 10 Aktien mit der größten Marktkapitalisierung aus verschiedenen Sektoren, die in Taiwan deutliche Industriemerkmale bezeichnen. 3.1. 10 Bestände aus der Halbleiterindustrie Die täglichen Renditen der 10 Halbleiteraktien in Taiwan von den Jahren 2003 bis 2012 wurden genutzt, um die Performance des GA-optimierten Handelssystems zu untersuchen. Tabelle 1 zeigt die 10 Vorräte für diesen Unterabschnitt. Fig. 3 zeigt eine Darstellung der Best-So-Far-Kurve für die akkumulierte Rückkehr (d. h. die gesamte kumulative Rückkehr), die durch die GA über 50 Generationen erreicht wird. (Um die Qualität der Lösungen im Laufe der Zeit zu studieren, ist eine traditionelle Performance-Metrik für die GA die Best-So-Far-Kurve, die die Eignung des besten Individuums, das bisher von der Generation gesehen wurde, vermittelt, also ein Punkt in der Suche Raum, der die Zielfunktion optimiert. Darüber hinaus verwenden die GA-Experimente in dieser Studie eine binäre Turnierauswahl 26, Einpunkt-Crossover und Mutationsraten von 0,7 und 0,005 bzw. Wir verwenden auch 10 Bits, um jede Variable zu codieren In der Chromosom und verwenden Sie 50 Personen für die Größe der Bevölkerung in jeder Generation.) Diese Abbildung zeigt, wie die GA sucht die Lösungen im Laufe der Evolution, um allmählich die Leistung des Handelssystems zu verbessern. Tabelle 1: Die 10 Halbleiterbestände, die in dieser Studie verwendet wurden. Abbildung 3: Eine Illustration für die Best-So-Far-Kurve durch die GA. Abbildung 4 zeigt eine Darstellung der kumulierten Rückkehr der Benchmark und die unseres GA-basierten Modells. (In dieser Studie ist die Benchmark als die traditionelle Buy-and-Hold-Methode definiert, bei der wir ein Kapital in gleichem Verhältnis zu jedem Bestand zuteilen und die kumulierte Rendite als Produkt der durchschnittlichen täglichen Renditen aller 10 Aktien über die 10 Jahre dh ein Investor investiert das gesamte Kapital in die Aktien zunächst und verkauft sie alle erst am Ende des Investitionsverlaufs.) Diese Abbildung zeigt, dass das GA-basierte Modell allmählich die Benchmark übertrifft und die Leistungsdiskrepanz bei der Bedeutung deutlich wird Das Ende des Jahres 2012. Im Gegensatz zur Buy-and-Hold-Methode, die ein Kapital in gleichem Verhältnis zu jedem Bestand verteilt, sucht die GA proaktiv nach den optimalen Proportionen für Long - oder Short-Positionen für jeden Asset, um die Spread zu konstruieren (10). Darüber hinaus sucht die GA auch nach dem optimalen Timing für den Kauf und Kurzschluss der Aktien dynamisch mit den Bollinger Bands. In unserer Studie werden hier die Gewichtungskoeffizienten für die den Aktien zugeteilten Anteile des Kapitals, die Periode für den gleitenden Durchschnitt und die Breite der Bollinger-Bänder gleichzeitig optimiert. Infolgedessen ist in unserer vorgeschlagenen Methodik ein von der GA optimiertes Handelssystem ein Komposit von optimalen Arbitrage - und Markt-Timing-Modellen. So kann man erwarten, dass die GA für den Bau der Arbitragesysteme vorteilhaft ist und Abbildung 4 in der Tat zeigt, dass das GA-basierte Modell die Benchmark auf lange Sicht übertrifft. Daher zeigen diese Ergebnisse ein wenig, wie die Optimierung durch die GA für das Paar-Handelsmodell vorteilhaft sein kann. Abbildung 4: Kumulierte Rendite des Benchmarks gegenüber dem GA-basierten Modell für die 10 Halbleiteraktien von den Jahren 2003 bis 2012. Um die Gültigkeit unserer vorgeschlagenen Methode weiter zu untersuchen, wird in dieser Studie eine statistische Validierung der Modelle durchgeführt. In Wirklichkeit muss das gelernte Modell, das die Trainingsdaten verwendet, durch unsichtbare Daten getestet werden. Hier, wie in Abbildung 5 gezeigt, verwenden wir die Bestandsdaten der ersten Quartale, um das Modell zu trainieren, und die verbleibenden Daten werden zum Testen verwendet. Diese Einrichtung soll eine Reihe von zeitlichen Validierungen liefern, um die Wirksamkeit der Modelle in der dynamischen Umgebung von finanziellen Problemen zu untersuchen, die sich von dem regelmäßigen Cross-Validierungsverfahren unterscheidet, bei dem der Prozess der Daten, die in zwei unabhängige Sätze aufgeteilt werden, zufällig mehrere wiederholt wird Mal ohne Berücksichtigung der Daten zeitlichen Ordnung. Allerdings ist in der Finanzstudie hier die zeitliche Ordnung entscheidend, da man alle bisher verfügbaren Daten nutzen möchte, um das Modell zu trainieren und die Modelle zukünftig für Gewinne anzuwenden. Abbildung 5: Zeitliche Validierung. In der Trainingsphase eines jeden Fernsehgeräts führen wir 50 Läufe für die GA und das beste Modell, das von jedem Lauf gelernt wird, wird in der Testphase untersucht. In beiden Trainings - und Testphasen wird die kumulative Gesamtrendite (kumulierte Rendite) eines Modells über die Quartale berechnet und die entsprechende annualisierte Rendite wird nach (14) berechnet. Die jährlichen Renditen der besten 50 Modelle in jedem TV werden dann gemittelt und für die Trainings - und Testphasen in Tabelle 2 angezeigt. In dieser Tabelle stellen wir auch die jährliche Benchmark-Rendite für den weiteren Vergleich mit den GA-basierten Modellen zur Verfügung, wobei die kumulative Die Gesamtrendite für die Benchmark ergibt sich aus dem Produkt der durchschnittlichen vierteljährlichen Renditen der 10 Halbleiteraktien über den Zeitraum in der Ausbildung oder Prüfung, und die entsprechende jährliche Rendite wird erneut durch (14) berechnet. Tabelle 2: Vergleiche der annualisierten Renditen des GA-basierten Modells und der Benchmark für die 10 Halbleiteraktien von Jahren 2003 bis 2012. In Tabelle 2. zeigt eine Inspektion auf die Mittel der jährlichen Modellrückkehr, dass in allen 39 TVs der Trainingsfall die GA-basierte Methode übertrifft die Benchmark. Für die Testphase übertrifft die GA-basierte Methode in 30 von 39 Fällen die Benchmark. Abbildung 6 zeigt weiterhin eine visuelle Darstellung dieser Leistungsdiskrepanz der beiden Methoden in der Testphase. Wie in den meisten TVs zu sehen ist, ist die annualisierte Rendite des GA-basierten Modells größer als die der Benchmark. Diese Ergebnisse zeigen also, dass unsere GA-basierte Methode für die Lösung des Paares-Trading-Problems vielversprechend ist. Abbildung 6: Durchschnittliche jährliche Rendite der Top 50 GA-basierten Modelle gegenüber der Benchmark (in jedem TV der Testphase) für die 10 Halbleiteraktien von Jahren 2003 bis 2012. 3.2. 10 Aktien mit der größten Marktkapitalisierung Als nächstes verwenden wir die 10 Aktien der größten Marktkapitalisierung, die in der Taiwan Börse notiert sind, um unsere vorgeschlagene Methode weiter zu untersuchen. Die tägliche Rendite von Aktien von Jahren 2003 bis 2012 wurde wieder für die Optimierungsaufgabe durch die GA verwendet. Tabelle 3 zeigt die 10 Aktien mit der größten Marktkapitalisierung, die in dieser Studie verwendet wird. Tabelle 3: Die 10 größten Marktkapitalisierungen, die in dieser Studie verwendet wurden. Abbildung 7 zeigt eine Darstellung der kumulierten Rendite des Benchmarks (die wiederum als Produkt aus der durchschnittlichen täglichen Rendite der 10 größten Marktkapitalpositionen über die 10 Jahre definiert wurde) und die des GA-basierten Modells. Wie man sehen kann, übertrifft das GA-basierte Modell allmählich die Benchmark im Laufe der Investition in den Jahren 2003 bis 2012 und die Performance-Diskrepanz wird am Ende des Jahres 2012 signifikant. Diese Abbildung veranschaulicht damit, wie das GA-basierte Modell übertreffen kann Die Benchmark auf lange Sicht. Abbildung 7: Kumulierte Rendite des Benchmarks gegenüber dem GA-basierten Modell für die 10 größten Marktkapitalpositionen von Jahren 2003 bis 2012. Für die zeitliche Validierung nach demselben Verfahren, das im vorigen Unterabschnitt verwendet wurde, zeigt Tabelle 4 die annualisierte Benchmark-Rendite und Der Durchschnitt der annualisierten Modellrückkehr für die Trainings - und Testfälle. Wie aus den Mitteln der annualisierten Modellrückkehr im Trainingsfall ersichtlich ist, übertrifft die GA-basierte Methode die Benchmark in allen 39 TVs. Für die Testphase übertrifft die GA-basierte Methode in 29 von 39 Fällen auch die Benchmark. Abbildung 8 zeigt dann die Ergebnisse in Tabelle 4 für jeden Fernseher in der Testphase an. Eine Inspektion von Abbildung 8 zeigt also, dass die GA-basierten Modelle in 29 von 39 TVs die Benchmark im Hinblick auf die annualisierten Renditen übertreffen. Tabelle 4: Vergleiche der annualisierten Renditen des GA-basierten Modells und der Benchmark für die 10 größten Marktkapitalpositionen von Jahren 2003 bis 2012. Abbildung 8: Durchschnittliche annualisierte Rendite der Top 50 GA-basierten Modelle gegenüber der Benchmark (in jedem TV der Testphase) für die 10 größten Marktkapitalisierungen von Jahren 2003 bis 2012. 3.3. Modell Robustheit Schließlich untersuchen wir die Robustheit der Modelle, die durch unsere Methode erzeugt werden, mit dem Maß der in 5 untersuchten Präzision, die in dieser Definition definiert ist und die Anzahl der wahren Positiven bzw. falschen Positiven bezeichnen. In dieser Studie tritt ein wahres Positives auf, wenn ein Modell die Benchmark in der Ausbildung übertrifft und es sich später herausstellt, die Benchmark beim Testen zu übertreffen, da sonst das Modell ein falsches positives erzeugt. Diese Statistik ist eine wichtige Metrik, die angibt, ob unsere vorgeschlagene Methode robuste Modelle erzeugen kann, wenn das Problem in einem dynamischen Umfeld liegt, wie das hier untersuchte Finanzproblem. In der Regel, wenn eine Methode ein Modell erzeugt, das den Benchmark in der Trainingsphase übertrifft, möchte man, dass das Modell die Benchmark in der Testphase weiter übertrifft. Wenn also unsere vorgeschlagene Methode in der Lage ist, viele echte Positiven zu generieren, die zu hoher Präzision führen, ist dies ein Indiz dafür, dass unsere Methode bei der Erzeugung von robusten Modellen wirksam ist. Tabelle 5 zeigt die Ergebnisse der Präzision für die 10 Halbleiter - und größten Marktkapitalisierungen. Wie zu sehen ist, zeigen die Ergebnisse, dass die Präzision unserer vorgeschlagenen Methode in beiden Fällen mehr als 0,7 beträgt, was darauf hinweist, dass unsere vorgeschlagene Methode tatsächlich wirksam ist. Tabelle 5: Präzision für die 10 Halbleiter - und größten Marktkapitalisierungen. 4. Schlussfolgerungen In dieser Arbeit haben wir eine GA-basierte Methodik für die Anwendung von Paaren Handel in Computational Finance vorgestellt. In order to examine the validity of the proposed methodology, we conducted a statistical validation on the learned models to account for the temporal order and dynamic characteristics of the stock data, which is critical for the real-world investment as practically one expects the models constructed to gain profits in the future. Through the optimization of parameters of the trading models for a group of stocks, the experimental results showed that our GA-based method is able to significantly outperform the benchmark and can generate robust models for pairs trading. We thus expect this GA-based method to advance the research in computational intelligence for financial applications and provide a promising solution to pairs trading. Conflict of Interests The authors declare that there is no conflict of interests regarding the publication of this paper. Acknowledgments This work is fully supported by the National Science Council, Taiwan, under Grant no. MOST 103-2221-E-390-019. The authors would also like to thank Professor Chih-Hsiang Chang for his generosity in providing the financial data. References A. M. Farley and S. Jones, Using a genetic algorithm to determine an index of leading economic indicators, Computational Economics . vol. 7, no. 3, pp. 163173, 1994. View at Publisher View at Google Scholar View at Scopus A. Mochxf3n, D. Quintana, Y. Sxe1ez, and P. Isasi, Soft computing techniques applied to finance, Applied Intelligence . vol. 29, no. 2, pp. 111115, 2008. View at Publisher View at Google Scholar View at Scopus K.-J. Kim and I. Han, Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index, Expert Systems with Applications . vol. 19, no. 2, pp. 125132, 2000. View at Publisher View at Google Scholar View at Scopus Y. Becker, P. Fei, and A. Lester, Stock selectionx2014an innovative application of genetic programming methodology, in Genetic Programming Theory and Practice IV . R. Riolo, T. Soule, and B. Worzel, Eds. vol. 5 of Genetic and Evolutionary Computation . chapter 12, pp. 315334, Springer, Ann Arbor, Mich, USA, 2006. View at Google Scholar C.-F. Huang, A hybrid stock selection model using genetic algorithms and support vector regression, Applied Soft Computing Journal . vol. 12, no. 2, pp. 807818, 2012. View at Publisher View at Google Scholar View at Scopus X. Z. Zhang, Y. Hu, K. Xie, S. Y. Wang, E. W. T. Ngai, and M. Liu, A causal feature selection algorithm for stock prediction modeling, Neurocomputing . vol. 14, pp. 4859, 2014. View at Publisher View at Google Scholar View at Scopus G. Zhang, B. E. Patuwo, and M. Y. Hu, Forecasting with artificial neural networks: the state of the art, International Journal of Forecasting . vol. 14, no. 1, pp. 3562, 1998. View at Publisher View at Google Scholar View at Scopus C.-L. Huang and C.-Y. Tsai, A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting, Expert Systems with Applications . vol. 36, no. 2, pp. 15291539, 2009. View at Publisher View at Google Scholar View at Scopus T.-C. Chu, C.-T. Tsao, and Y.-R. Shiue, Application of fuzzy multiple attribute decision making on company analysis for stock selection, in Proceedings of the 1996 Asian Fuzzy Systems Symposium on Soft Computing on Intelligent Systems and Information Processing . pp. 509514, Kenting, Taiwan, December 1996. View at Scopus M. R. Zargham and M. R. Sayeh, A Web-based information system for stock selection and evaluation, in Proceedings of the 1st International Workshop on Advance Issues of E-Commerce and Web-Based Information Systems . pp. 8183, 1999. View at Publisher View at Google Scholar N. Chapados and Y. Bengio, Cost functions and model combination for VaR-based asset allocation using neural networks, IEEE Transactions on Neural Networks . vol. 12, no. 4, pp. 890906, 2001. View at Publisher View at Google Scholar View at Scopus Y. Becker, P. Fei, and A. Lester, Stock selection: an innovative application of genetic programming methodology, in Genetic Programming Theory and Practice IV . R. Riolo, T. Soule, and B. Worzel, Eds. Springer, New York, NY, USA, 2007. View at Google Scholar K. K. Lai, L. Yu, S. Wang, and C. Zhou, A double-stage genetic optimization algorithm for portfolio selection, in Neural Information Processing: Proceedings of the 13th International Conference, ICONIP 2006, Hong Kong, China, October 3x20136, 2006, Part III . vol. 4234 of Lecture Notes in Computer Science . pp. 928937, Springer, Berlin, Germany, 2006. View at Publisher View at Google Scholar S.-S. Chen, C.-F. Huang, and T.-P. Hong, A multi-objective genetic model for stock selection, in Proceedings of the 27th Annual Conference of the Japanese Society for Artificial Intelligence . 2013. G. G. Szpiro, Forecasting chaotic time series with genetic algorithms, Physical Review E . vol. 55, no. 3, pp. 25572568, 1997. View at Google Scholar View at Scopus A. Fiordaliso, A nonlinear forecasts combination method based on Takagi-Sugeno fuzzy systems, International Journal of Forecasting . vol. 14, no. 3, pp. 367379, 1998. View at Publisher View at Google Scholar View at Scopus N. S. Thomaidis, N. Kondakis, and G. D. Dounias, An intelligent statistical arbitrage trading system, in Advances in Artificial Intelligence . vol. 3955 of Lecture Notes in Computer Science . pp. 596599, Springer, Berlin, Germany, 2006. View at Publisher View at Google Scholar M. Avellaneda and J.-H. Lee, Statistical arbitrage in the US equities market, Quantitative Finance . vol. 10, no. 7, pp. 761782, 2010. View at Publisher View at Google Scholar View at MathSciNet View at Scopus E. Gatev, W. N. Goetzmann, and K. G. Rouwenhorst, Pairs trading: performance of a relative-value arbitrage rule, Review of Financial Studies . vol. 19, no. 3, pp. 797827, 2006. View at Publisher View at Google Scholar View at Scopus C. L. Dunis, G. Giorgioni, J. Laws, and J. Rudy, Statistical arbitrage and high-frequency data with an application to Eurostoxx 50 equities, CIBEF Working Papers . CIBEF, 2010. View at Google Scholar R. J. Elliott, J. van der Hoek, and W. P. Malcolm, Pairs trading, Quantitative Finance . vol. 5, no. 3, pp. 271276, 2005. View at Publisher View at Google Scholar View at MathSciNet View at Scopus P. Saks and D. Maringer, Genetic programming in statistical arbitrage, in Applications of Evolutionary Computing . vol. 4974 of Lecture Notes in Computer Science . pp. 7382, Springer, Berlin, Germany, 2008. View at Publisher View at Google Scholar C.-F. Huang, T.-N. Hsieh, B. R. Chang, and C.-H. Chang, A comparative study of stock scoring using regression and genetic-based linear models, in Proceedings of the IEEE International Conference on Granular Computing (GrC 11) . pp. 268273, IEEE, Kaohsiung, Taiwan, November 2011. View at Publisher View at Google Scholar View at Scopus J. Murphy, Technical Analysis of Financial Markets . New York Institute of Finance, New York, NY, USA, 1999. J. H. Holland, Adaptation in Natural and Artificial Systems . The University of Michigan Press, Ann Arbor, Mich, USA, 1975. View at MathSciNet D. E. Goldberg and K. Deb, A comparative analysis of selection schemes used in genetic algorithms, in Foundation of Genetic Algorithms . pp. 6993, 1991. View at Google ScholarTrading Strategies An economic theory of total spending in the economy and its effects on output and inflation. Keynesianische Ökonomie wurde entwickelt. Ein Bestand eines Vermögenswerts in einem Portfolio. Eine Portfolioinvestition erfolgt mit der Erwartung, eine Rendite zu erzielen. Dies. Ein von Jack Treynor entwickeltes Verhältnis, das die Erträge übertrifft, die über das hinausgekommen sind, was im risikolosen verdient werden könnte. Der Rückkauf ausstehender Aktien (Rückkauf) durch eine Gesellschaft, um die Anzahl der Aktien auf dem Markt zu reduzieren. Firmen. Eine Steuererstattung ist eine Erstattung für Steuern, die an eine Einzelperson oder einen Haushalt gezahlt werden, wenn die tatsächliche Steuerpflicht weniger als der Betrag ist. Der monetäre Wert aller fertiggestellten Waren und Dienstleistungen, die innerhalb eines Landes erstellt wurden, grenzt in einem bestimmten Zeitraum.