使用MATLAB的算法交易：规则选择
以前，我们开发了一个后退测试框架，以校准简单的交易策略以播出日内数据。在此演示中，我们将使用将方法扩展到三个信号：MA，RSI和Williams％r。
版权所有2010-2012，Mathworks，Inc。保留所有权利。
内容
加载数据
步骤= 153;％分钟间隔年度标准= SQRT（250*60*7/step）;成本= 0.01;％而不是强迫客户定义和填充数据库，我们％将从准备好的数据文件中读取。如果愿意，你可以写％来自此文件的数据到您选择的数据库并调整％getMinudedatafromdb命令可以连接并从中读取。％lco = getminudedatafromdb（'lco'）;加载Oildatalco = double（brent）;清晰-除了LCO步年度尺度成本lco = dsample（lco（：，2：4），步骤）;
威廉姆斯％r
通过调整现有的移动平均策略的代码，我们可以根据相对强度指数和Williams％r制定其他交易策略。这里的关键是重复使用：我们只需要更改几行代码即可从一种策略更改为另一种策略。我们可以使用一个50天的窗口来查看此指标：
w = willpctr（LCO，50）;IndiesatorChartwpr（w）
威廉姆斯％r交易策略
每次我们越过某些阈值时，都会产生交易信号（上涨，下降是卖出）。我们将把交易阈值设置为-20％和-80％，并且仅改变窗口的大小，但是当然，我们可以将这三个是免费参数。
WPR（LCO，50，年度规模，成本）
WPR性能
没有理由比其他可能性更喜欢50的窗口参数。让我们扫描许多值以识别最佳参数设置。
范围= {4：4：500};wfun = @（x）wprfun（x，lco，年度规模，费用）;tic [maxsharpe，param，sh] = parameters -weep（wfun，range）;TOC WPR（LCO，参数，年度尺度，成本）
经过的时间为2.333903秒。
生成交易信号
现在，我们将根据移动平均线，上述Williams％R以及相对强度指数生成三个不同的交易信号。每个模型的参数已经独立确定。如果我们愿意，我们可以轻松地确定最佳参数集。
％n = 25;M = 650;阈值= 80;p = 400;Q = 34;r = 10;n = 1;M = 129;p = 22;Q = 14;r = 24;阈值= 80;SMA = LeadLag（lco（：，end），n，m，年度尺度，成本）;srs = rsi（lco（：，end），[p q]，阈值，年度尺度，成本）;swr = wpr（lco，r，年度规模，成本）;信号= [SMA SRS SWR]; names = {'嘛'，，，，'rsi'，，，，'wpr'};
交易信号
绘制由信号代表的市场的“状态”。在底部地块上，绿色是一个长位置，红色是一个短位置。
indiacatorChartall（lco（：，end），名称，信号）
生成遗传算法的初始种群
产生信号的初始人口
i = size（信号，2）;pop = initializepopulation（i）;关全部情节（1，pop）;目标功能定义％obj = @（pop）健身（流行，信号，lco（：end），年度尺度，成本）;
用遗传算法求解
查找最佳交易规则和最大夏普比率（最小值比率）
选项= gaoptimset（“人口类型”，，，，'bitstring'，，，，...“人口化”，大小（pop，1），...“初次人群”，流行音乐，...“跨界”， @Crossover，...'MutationFCN'， @munt，...“ plotfcns”，@plotrules，...“矢量化”，，，，'在'）；最好
优化终止：健身价值的平均变化小于option.tolfun。最佳= 0 0 0 1 0 1 1 0 1 1 1
评估表现最好的人
以最佳价值评估目标，并以最佳夏普比率翻转符号约定。
[Minsh，S，R] = OBJ（最佳）;sh = -minsh;Rurechartall（LCO，SH，S，R）
