एक दिवसीय उच्च आवृत्ति विदेशी मुद्रा व्यापार साथ अनुकूली न्यूरो फजी अनुमान प्रणालियों

अनुकूली न्यूरो-फजी अवधारणा प्रणालियों के साथ इन्ट्राडे उच्च आवृत्ति एफएक्स व्यापार अब्दल्ला काबलन और विंग लॉन एनजी सार: यह पत्र वित्तीय व्यापार के लिए एक अनुकूली न्यूरो-फजी निष्कर्ष प्रणाली (एएनएफआईएस) का परिचय देता है, जो प्रशिक्षण के अंतराल से मूल्य आंदोलनों की भविष्यवाणी करने के लिए सीखता है। उच्च आवृत्ति पर नमूना आंकड़ा टिक। हमारी जांच में उपयोग किए जाने वाले अनुभवजन्य आंकड़े एफएक्स बाजारों से पांच मिनट की मध्य-कीमत की समय श्रृंखला हैं। एएनएफआईएस ऑप्टिमाइजेशन में वापस-परीक्षण शामिल है, साथ ही युगों की संख्या बदलती है, और एक घटना-चालित दृष्टिकोण का उपयोग करते हुए अस्थिरता को कैप्चर करने की एक नई विधि के साथ मिलाया जाता है जो पूर्व-निर्दिष्ट सीमा के भीतर दिशात्मक परिवर्तनों को ध्यान में रखता है। परिणाम बताते हैं कि प्रस्तावित मॉडल मानक रणनीति को बेहतर बनाता है जैसे खरीद-और-पकड़ या रैखिक पूर्वानुमान। डाउनलोड: (बाहरी लिंक) indersciencelink. phpid38529 (texthtml) पूर्ण पाठ तक पहुंच ग्राहकों तक सीमित है। संबंधित कार्य: यह आइटम ईकॉनपेपर में कहीं और उपलब्ध हो सकता है: एक ही शीर्षक के साथ आइटम खोजें। संदर्भ संदर्भ: बीबीटीईएक्स आरआईएस (एंडनोट, प्रोकाइट, रीफमैन) एचटीएमएलटेक्स्ट अधिक लेख, इंडरसाइंस एंटरप्राइजेज लिमिटेड के फाइनेंशियल मार्केट्स एंड डेरीवेटिव्स के इंटरनेशनल जर्नल में डैरेन सिम्पसन () द्वारा बनाए गए सीरिज डेटा। यह साइट रीपीसी का हिस्सा है और यहां प्रदर्शित सभी डेटा रीपीसी डेटा सेट का हिस्सा है। क्या आपका काम रीपीसी से गायब है प्रश्न या समस्याएं EconPapers अकसर पूछें या मेल को भेजें। वित्तीय समय श्रृंखला की भविष्यवाणी बहुत ही जटिल प्रक्रिया है वित्तीय समय श्रृंखला पर प्रारंभिक रूप से यह धारणा है कि वे प्रकृति में यादृच्छिक हैं अगर सच है, तो यह पूर्वानुमान बना सकता है, और इसलिए इस तरह की श्रृंखला के व्यापार, असाधारण मुश्किल। कुशल बाजार परिकल्पना बताती है कि वर्तमान मूल्य में बाजार में सभी उपलब्ध जानकारी शामिल हैं। इससे अधिकतर वित्तीय समय श्रृंखला की भविष्यवाणी की संभावना होती है क्योंकि यह एक विवादास्पद मुद्दा नहीं है। विशेषज्ञों का अनुमान लगाया गया है और दशकों तक वित्तीय बाजारों का व्यापार किया जा रहा है, जो कि पैटर्न को पहचानने और मौजूदा वित्तीय डेटा की व्याख्या में अपने ज्ञान और विशेषज्ञता का उपयोग कर रहे हैं। इस पेपर में अनुकूली न्यूरो-फ़ज़ी इंफॉर्मेंस सिस्टम को एक विशेषज्ञ प्रणाली बनाने के लिए फैज़ी तर्क का उपयोग करने में सक्षम है जो कि वित्तीय पूर्वानुमान और व्यापार में इस्तेमाल होने वाले तंत्रिका नेटवर्क की पैटर्न मान्यता क्षमता के साथ जोड़ती है। दृष्टिकोण की नवीनता उच्च आवृत्ति वित्त के क्षेत्र में अपने आवेदन में है। इस तरह के दृष्टिकोण का उपयोग अब तक उच्च आवृत्ति व्यापार के साथ या स्वचालित ट्रेडिंग रणनीति के एक हिस्से के रूप में नहीं किया गया है। इसने एक विशेषज्ञ व्यापार प्रणाली का निर्माण किया है जो बेहद कम समय के अंतराल पर कई निर्णय लेने में मानव विशेषज्ञों और व्यापारियों की भौतिक सीमाओं पर काबू पाता है। इसका मतलब है सिस्टम अंतराल डेटा का उपयोग करके बहुत अधिक आवृत्ति पर भविष्यवाणियां और व्यापार निर्णय ले सकता है। वित्तीय भविष्यवाणी, कुशल बाजार परिकल्पना, न्यूरो-फजी निष्कर्ष प्रणाली, उच्च आवृत्ति व्यापार अब्दुल्ला काबलन, उच्च आवृत्ति वित्तीय व्यापार और पूर्वानुमान, उन्नत इंजीनियरिंग कम्प्यूटिंग और विज्ञान में अनुप्रयोगों, अंतरराष्ट्रीय सम्मेलन के लिए अनुकूली न्यूरो फजी इन्फ़ॉर्मेंस सिस्टम। वॉल्यूम। 00, नहीं पीपी। 105-110, 200 9, दोई: 10.110 9 एडीसीओएमपी.2009 .3 गतिशील रूप से अनुकूलित उच्च फ़्रिक्वेंसी का इस्तेमाल इंट्रेडय ट्रेडिंग के लिए औसत रणनीतियाँ चलाना यह पत्र वित्तीय निर्णय लेने में अनिश्चितता के पहलू से प्रेरित है, और कैसे कृत्रिम बुद्धि और सॉफ्ट कंप्यूटिंग इसकी अनिश्चितता कम करने के पहलुओं को एल्गोरिथम व्यापार अनुप्रयोगों के लिए इस्तेमाल किया जा सकता है जो उच्च आवृत्ति में व्यापार करता है। इस पत्र में एक अनुकूलित उच्च आवृत्ति ट्रेडिंग प्रणाली को प्रस्तुत किया गया है जो विभिन्न चलने वाली औसत के साथ संकर प्रणाली बनाने के लिए जुड़ा हुआ है जो ट्रेडिंग प्रणालियों को पीछे छोड़ देता है जो पूरी तरह से औसत चलती है। पेपर एक अनुकूली न्यूरो-फजी निष्कर्ष प्रणाली का अनुकूलन करता है जो मूल्य और इसकी चल औसत औसत इनपुट के रूप में लेता है, इंट्रेड डेटा के प्रशिक्षण डेटा से मूल्य आंदोलनों की भविष्यवाणी करना सीखता है, गतिशील रूप से सबसे अच्छा चलते औसत के बीच स्विच करता है, और इसके बाद निर्णय लेने का काम करता है उच्च आवृत्ति में एक निश्चित मुद्रा खरीदने या बेचने के लिए। 1 ए काबलन (200 9)। वित्तीय ब्रोकरेज के लिए फजी लॉजिक गति विश्लेषण प्रणाली, वित्तीय सिद्धांत और इंजीनियरिंग पर अंतर्राष्ट्रीय सम्मेलन की कार्यवाही आईईईईएक्सप्लोर, वॉल्यूम 1, पीपी 57-62 आईएसबीएन: 978-0-7695-3949-2 2 ए। काबलन (200 9)। उच्च आवृत्ति व्यापार और पूर्वानुमान के लिए अनुकूली न्यूरो फजी सिस्टम, उन्नत इंजीनियरिंग कंप्यूटिंग और विज्ञान में अनुप्रयोगों के तीसरे अंतर्राष्ट्रीय सम्मेलन की कार्यवाही। आईईईईएक्सप्लोर, वॉल्यूम 1, पीपी 105- 110. आईएसबीएन: 978-0-7695-3829-7 3 ए। काबलन, डब्ल्यूएल एनजी, (2018), हिल्बर्ट ट्रांसफॉर्मिंग का इस्तेमाल करते हुए उच्च आवृत्ति ट्रेडिंग रणनीति, नेटवर्किंग और उन्नत पर 6 वां अंतर्राष्ट्रीय सम्मेलन सूचना प्रबंधन। वॉल्यूम 1, पीपी 466 - 471. आईएसबीएन: 978-8 9-88678-26-8 4 ए। काबलन, डब्लूएल एनजी, (2018), फजी मोमेंटम विश्लेषण का उपयोग करते हुए उच्च आवृत्ति ट्रेडिंग, आईएएनजीजी 2018 अंतर्राष्ट्रीय वित्तीय सम्मेलन (वित्तीय इंजीनियरिंग) की कार्यवाही आईसीएफई), लंदन वॉल्यूम 1, पीपी 352- 357. आईएसबीएन: 978- 9 88-17012-9-9 5 ए। काबलन, डब्लूएल एनजी, (2018), फजी लॉजिक और फजी इंफोरेंस के साथ हाई फ्रीक्वेंसी ऑर्डर प्लेसमेंट रणनीतियों, आईएएनजी इंटरनेशनल जर्नल ऑफ कम्प्यूटर साइंस , विशेष अंक। 6 ए। काबलन, डब्लू। एल। एनजी, (2018), एड्रेप्टिव न्यूरो-फजी इन्फ़ोरेंस सिस्टम, इंटरनेशनल जर्नल ऑफ फाइनेंशियल मार्केट्स एंड डेरीवेटिव्स के साथ इंटरेड हाई-फ़्रीक्वेंसी फ़ॉरेक्स ट्रेडिंग। 7 ए। काबलन उच्च आवृत्ति वित्तीय व्यापार और पूर्वानुमान के लिए अनुकूली न्यूरो फजी इंफ़ोरेंस सिस्टम। उन्नत इंजीनियरिंग कंप्यूटिंग और विज्ञान में आवेदन पर तीसरा अंतर्राष्ट्रीय सम्मेलन की कार्यवाही 2009. 8 बानिक, एस एट अल। (2007), ढाका स्टॉक मार्केट सूचकांक के अराजक व्यवहार, न्यूरो-फजी मॉडल का उपयोग करते हुए, कंप्यूटर और सूचना प्रौद्योगिकी 9 सी। त्सेंग, वाई। लिन पर 10 वीं अंतर्राष्ट्रीय सम्मेलन का उपयोग करना। वित्तीय कम्प्यूटेशनल इंटेलिजेंस कम्प्यूटेशनल इकोनॉमिक्स के लिए सोसायटी अर्थशास्त्र और वित्त संख्या में कम्प्यूटिंग 42. 2005. 10 चांग, ​​एस एस एल (1 9 77) फजी सेट सिद्धांत का अर्थशास्त्र के लिए आवेदन कैबर्नेट 6, पीपी 203-207 11 डाकोरोगना, एमएट एट अल 2001, हाई फ्रीक्वेंसी फाइनेंस के लिए एक परिचय, शैक्षणिक प्रेस 12 डोरमेल, ए. वी. (1 99 7): द पावर ऑफ़ मनी, मैकमिलन प्रेस, लंदन 13 ई। बोहेमर (2005) निष्पादन गुणवत्ता का आयाम: अमेरिकी इक्विटी बाजारों के लिए हालिया प्रमाण। जर्नल ऑफ फाइनेंशियल इकोनॉमिक्स 78, 553-582, 2005. 14 ई। एफ। फेमा। (1 9 70) कुशल पूंजी बाजार: सिद्धांत और अनुभवजन्य कार्य की समीक्षा। जर्नल ऑफ़ फाइनेंस, पृष्ठ 383-417, 15 मई, 15 ग्राबबी, जे.ओ. (1 99 6): इंटरनेशनल फाइनेंशियल मार्केट्स, एंगलवुड हिल्स, प्रेंटिस हॉल इंक। 16 जे। सी। बेज़डेक, आर। कृष्णापुरम, एन आर पाल (1999)। पैटर्न मान्यता और छवि प्रसंस्करण के लिए फजी मॉडल और एल्गोरिदम। स्प्रिंगर। 17 जेएम ग्रिफिन, एफ नारदारी, आर। स्टुलज़ शेयर बाजार व्यापार और बाजार की स्थिति एनबीआर, वर्किंग पेपर 10719, 1-48 2004. 18 काबलन, ए, डब्लूएल एनजी, (2018 फ्जी मोमेंटम विश्लेषण, स्प्रिंगर इंजीनियरिंग पत्र, लंदन। 1 9 1 वाई हाई फ्रीक्वेंसी ट्रेडिंग, एजेंट-आधारित गेम डिज़ाइन में ली, वाई। म्यूसिक, पी और वार्ड-स्कॉट, एल फज़ी लॉजिक। फजी सूचना प्रोसेसिंग 2004 की वार्षिक बैठक, खंड 2, पीपी 734-739, 2004. 20 लूट्स्मा, एफए (1 99 7)। नियोजन और निर्णय लेने के लिए फजी लॉजिक। 21 एम। फेड्रिज़ी, डब्लू। ओस्टासीविज़ (1993.)। फजी सेट और सिस्टम, वॉल्यूम 54, अंक 3, पीपी 25 9-268, 22 ऑरमेरोड, पी। (2000) तितली अर्थशास्त्र: सामाजिक और आर्थिक व्यवहार का एक नया सामान्य सिद्धांत। पंतहोन, न्यूयॉर्क। 23 प्रश्न फजी टाइम-सीरीज के साथ भरोसेमंद नामांकन। भाग II। फ़ज़ी सेट्स एंड सिस्टम्स 62, पीपी 1-8, 1994 24 रोजर जंग, जेएस एएनएफआईएस: अनुकूली नेटवर्क आधारित फजी निष्कर्ष प्रणाली, सिस्टम पर आईईईई लेनदेन, मैन और साइबरनेटिक्स, 23 (3) (1 99 3) 665-685. 25 एस। चाबा और ए। ज़ेरौल। आईपी नेटवर्क पर पैकेट ट्रांसमिशन डेटा की भविष्यवाणी करते हुए अनुकूली न्यूरो-फ़ज़ी इंफोरेंस सिस्टम जर्नल ऑफ़ कंप्यूटर साइंस वॉल्यूम 5 (2), पीपी 123-130, 200 9। 26 शूल्मेइस्टर, एस, 200 9, ए जनरल फाइनेंशियल ट्रांजैक्शन टैक्स: पेशेवरों का एक शॉर्ट कट, द कॉन्स एंड प्रपोझल-, विफो वर्किंग पेपर नंबर 344. 27 टी। हेलस्ट्रम और के। होल्स्टस्ट्रम स्टॉक मार्केट की भविष्यवाणी करना तकनीकी रिपोर्ट आईएमए-टॉम-1 997-07, गणितीय मॉडलिंग केंद्र, गणित और फिजिस विभाग, मालार्डालेन विश्वविद्यालय, वास्तार्स, स्वीडन, अगस्त 1 99 8। 28 टी। ताकागी और एम। सुगोने। प्रणालियों की फजी पहचान और मॉडलिंग और नियंत्रण के लिए इसके आवेदन, आईईईई ट्रांसपेक्शन ऑन सिस्टम्स, मैन और साइबरनेटिक्स, वॉल्यूम 15, पीपी 116-132, 1 9 85. 29 ताकागी टी। और शुएनो, एम। सिस्टम की फजी पहचान और मॉडलिंग और नियंत्रण के लिए आवेदन, आईईईई लेनदेन पर सिस्टम, मैन और साइबरनेटिक्स, 15 (1 9 85) 116-132। 30 विल्सन, आर। और शारदा, आर। दिवालियापन भविष्यवाणी तंत्रिका नेटवर्क का प्रयोग, निर्णय समर्थन प्रणाली, 11 (1 99 4) 545-557 31 ये, एस। लैंडमैन, डब्लू। आर। मिलर, बी.एल. पेसनेल, के। वी। (2018)। क्या निवेशकों को वास्तव में गंदी अधिशेष समझते हैं लेखांकन की समीक्षा, 86 (1), 237-258 32 योन, वाई। ग्युमारेस, टी। और सवेल्स, जी। नियम-आधारित विशेषज्ञ प्रणालियों के साथ तंत्रिका नेटवर्क को एकीकृत करना, निर्णय समर्थन प्रणाली, 11 (1 99 4) 497-507 33 ज़ेडह, एल फजी सेट। सूचना और नियंत्रण, वॉल्यूम 8, पीपी 338-353, 1 9 65. 34 जडे, एलए फजी सेट, सूचना नियंत्रण, 8 (1 9 65) 338-353। अंतराल उच्च आवृत्ति एफएक्स ट्रेडिंग वित्त निबंध प्रकाशित: 23 मार्च, 2018 अंतिम संपादित: 23 मार्च, 2018 इस निबंध में एक छात्र द्वारा प्रस्तुत किया गया यह हमारे पेशेवर निबंध लेखकों द्वारा लिखित कार्य का एक उदाहरण नहीं है। वित्तीय निवेशकों और व्यापारियों ने हमेशा शेयर बाजारों के आंदोलन की भविष्यवाणी करने का प्रयास किया है। वित्तीय व्यापार ही जटिल संरचना में अंतर्निहित है, न कि केवल मूल्य निर्धारण की गतिशीलता को शामिल करना बल्कि बाजार में खुद को माइक्रोस्ट्रॉन्फ़ भी शामिल है। बाजार की जानकारी, समाचार और बाह्य कारक खरीदने और बेचने के संबंध में निवेशक व्यापार निर्णयों को प्रभावित करते हैं। आमतौर पर, कीमत पैटर्न पहचान, नोटिस या वर्गीकृत करने के लिए कठिन है, चाहे असली वित्तीय बाजार के प्रकार (मर्फी, 1 9 86) पर ध्यान दिए बिना। यह पत्र एक ऐसे मॉडल को प्रस्तुत करता है जो साबित करने की कोशिश करता है कि कृत्रिम बुद्धि और नरम कंप्यूटिंग जैसे अनुकूली न्यूरो-फजी इंफॉर्मेंस सिस्टम (एएनएफआईएस) ऐसे कार्यों में एक बड़ा समाधान प्रदान कर सकते हैं। मानव तर्क के एक मॉडल से प्रेरित फजी लॉजिक दृष्टिकोण, जिसमें भाषाई शब्दों का प्रयोग किया जाता है और फजी (कुरकुरा के विपरीत) मात्रा में हेरफेर किया जाता है, न्यूरो-फ़ज़ी सिस्टम में तंत्रिका नेटवर्क की पैटर्न मान्यता क्षमता (कॉन्स्टेंटारस, वर्ले, Vallianatos, कोलिन्स, और होलीफिल्ड, 2006)। कंप्यूटिंग पावर में हाल ही में वृद्धि से डेटा और सूचना की उपलब्धता में भारी वृद्धि हुई है। कंप्यूटर, सेंसर और सूचना चैनल तेजी से विकसित हो रहे हैं, और पहले से कहीं ज्यादा डेटा एकत्र करना आसान है। वास्तविक समय की ऑर्डर बुक की जानकारी की आजकल की वजह से, विभिन्न व्यापारियों के बीच निर्णय लेने और जोखिम लेने में अंतर एक जटिल प्रक्रिया को दर्शाता है जो बाजार की स्थितियों को प्रभावित करता है। उच्च आवृत्ति व्यापार वित्तीय व्यापार में एक नया अनुशासन है जहां रुझानों का मूल्यांकन टिकट-दर-टिक में किया जाता है और फलस्वरूप निर्णय लेने और बेचने के फलस्वरूप फलस्वरूप लिया जाता है इसलिए, एक प्रणाली का कार्यान्वयन जो वास्तविक समय स्तर पर बाजार आंदोलनों पर कब्जा करने और पूर्वानुमान करने के साधन प्रदान करेगा, एक निवेशक वित्तीय व्यापार रिकॉर्ड (डकारोग्ना एट अल। 2001) को सुधारने में मदद करेगा। इस पत्र में एक नई कम्प्यूटेशनल प्रसंस्करण और निस्पंदन तकनीक का प्रस्ताव है जो अभी तक मौजूदा साहित्य में पूरी तरह से चर्चा या कार्यान्वित नहीं हुआ है (एल्गोरिथम ट्रेडिंग रणनीतियों और ट्रेडिंग सिस्टम पर हाल के एक सर्वेक्षण के लिए, एल्ड्रिज (200 9) देखें)। परंपरागत रूप से, ज्यादातर भविष्यवाणी एल्गोरिदम, डेटा माइनिंग पर ध्यान केंद्रित करते हैं जो आंकड़ों के एकीकरण, मशीन-लर्निंग पैराडाइम्स और डायनामिकल सिस्टम (Hellstrom और Holmstroumlm, 1998) का विश्लेषण है। इसके अलावा, यह देखते हुए कि वित्तीय समय श्रृंखला अक्सर बहुत शोर होती है, सिग्नल से इस तरह के शोर को दूर करने के लिए एक फिल्टरिंग प्रक्रिया का अनुसरण करना चाहिए (शीन, 2005)। एएनएफआईएस आर्किटेक्चर को इस स्वचालित ट्रेडिंग सिस्टम के लिए चुना गया था क्योंकि यह गैर-रेखीय कार्यों को मॉडलिंग और गैर-रेखीय घटकों (डेनाई, पाली, और ज़हबबिब, 2007) की पहचान करने में बहुत उच्च प्रदर्शन दिखाता है। प्रस्तावित वित्तीय एएनएफआईआई एक हाइब्रिड सीखने एल्गोरिथ्म का उपयोग करता है और मानव ज्ञान (फजी नियम) और नियत इनपुट आउटपुट डाटा युग्ज (कैस्टिलो, फोंटेला-रोमेरो और एलोन्सो- बेतनज़ोस, 2006) दोनों के आधार पर एक अद्वितीय इनपुट-आउटपुट मैपिंग का निर्माण करने में सक्षम है। यह अराजक समय श्रृंखला (जंग, 1 99 3) की भविष्यवाणी में उत्कृष्ट परिणाम दिखाए हैं। इसके अलावा, चूंकि ट्रेडिंग सिस्टम इंट्रैडेय डेटा से संबंधित है, सिस्टम में डेटा इनपुट को विशिष्ट तरीके से अपरिष्कृत करने के लिए समय-सीमा में डिटेक्टिंस्टिक घटक को अलग करना चाहिए क्योंकि अन्यथा नकली autocorrelation लागू होगा। अस्थिरता के एक नए घटना-आधारित उपाय का उपयोग करते हुए deseasonalisation किया जाता है पेपर की अनुस्मारक इस प्रकार से आयोजित की जाती है। धारा 2 पद्धति का परिचय धारा 3, अनुभवजन्य डेटा और परिणाम प्रस्तुत करता है। धारा 4 समापन। 2. कार्यप्रणाली निम्नलिखित में, धारा 2.1 में एडवर्पेक्ट न्यूरो-फ़ज़ी इंफॉर्मेंस सिस्टम (एएनएफआईएस) का डिजाइन और आर्किटेक्चर का वर्णन किया गया है, जो मूल रूप से जंग (1 99 3) द्वारा प्रस्तुत किया गया था। धारा 2.2 तब वित्तीय व्यापार के लिए एएनएफआईएस के इस्तेमाल पर विस्तारित है। धारा 2.3 ने ईएनएफआईएस में अंतराल की मौसमी समय पर कब्जा करने और ट्रेडिंग शेड्यूल को अनुकूलित करने के लिए खिलाया जाने के लिए एक अघोषितता के एक घटना-आधारित उपाय का परिचय दिया। 2.1 एएनएफआईएस फ्रेमवर्क एएनएफआईएस नोड्स के एक अनुकूली नेटवर्क और संबद्ध सीखने के नियमों के साथ दिशात्मक लिंक है। दृष्टिकोण डेटा से नियम और सदस्यता कार्यों को सीखता है (ताकागी और शुएनो, 1 9 85) इसे अनुकूली कहा जाता है क्योंकि कुछ या सभी नोड्स पैरामीटर हैं जो नोड के आउटपुट को प्रभावित करते हैं। ये नेटवर्क इनपुट और आउटपुट के बीच संबंधों को पहचानते हैं और सीखते हैं, और उच्च शिक्षा क्षमता और सदस्यता फ़ंक्शन परिभाषा गुण हैं। हालांकि अनुकूली नेटवर्क कई अलग-अलग तरीकों को कवर करती है, हालांकि हमारे उद्देश्यों के लिए, हम जंग, सन, और मिजुतिनी (1 99 7) द्वारा चित्रा 1 में दिखाए गए आर्किटेक्चर की विस्तृत पद्धति की विस्तृत जांच करेंगे। परिपत्र नोड्स में एक निश्चित इनपुट - उत्पादन संबंध, जबकि वर्ग नोडों को सीखा जाना है। विशिष्ट फजी नियम को प्रपत्र में एक सशर्त बयान के रूप में परिभाषित किया जाता है: चित्रा 1: दो नियमों के लिए एएनएफआईएस आर्किटेक्चर सूनेनो सिस्टम एक्स और वाई भाषायी चर एआई और बीई भाषाई मूल्यों को फजी सेट द्वारा निश्चित रूप से एक्सचेंज और एक्स । हालांकि, एएनएफआईएस में हम पहला आदेश ताकागी-शुगुने प्रणाली (ताकागी और शुएनो, 1 9 85) का उपयोग करते हैं, जो एक्स और वाई प्रवचन के संसारों का प्रतिनिधित्व करते हैं ऐ और बीई उनके सदस्यता कार्यों द्वारा परिभाषित भाषाई शब्द हैं, और पी, क्यूई और री हैं परिणामस्वरूप पैरामीटर जो सीखने एल्गोरिदम में अग्रेषित पास में अपडेट किए जाते हैं। फ़ॉरवर्ड पास, परत द्वारा नेटवर्क परत के माध्यम से इनपुट वेक्टर का प्रचार करता है। पिछड़े पास में, त्रुटि नेटवर्क के माध्यम से वापस-प्रचार के समान तरीके से लौटा दी जाती है। हम संक्षेप में निम्नलिखित में 5 परतों की चर्चा करते हैं: प्रत्येक 1 नोड के आउटपुट को लेयर 1 में है: इसलिए, यह अनिवार्य रूप से एक्स और वाई के लिए सदस्यता ग्रेड है। यद्यपि सदस्यता कार्य बहुत ही लचीला हो सकता है, प्रयोगिक परिणाम निष्कर्ष पर ले जाते हैं कि वित्तीय डेटा प्रशिक्षण के कार्य के लिए घंटी के आकार का सदस्यता कार्य सबसे उपयुक्त है (देखें, अबोनी, बाबुस्का और सजेफेर्ट (2001))। हम गणना करते हैं कि पैरामीटर कहाँ सीखा जाए ये आधार मानदंड हैं लेयर 2 में, हर नोड तय हो गई है। यह वह जगह है जहां टी-आदर्श का उपयोग और सदस्यता ग्रेड होता है, उदाहरण के लिए, उत्पाद: परत 3 में नियत नोड्स होते हैं जो नियमों की फायरिंग ताकत के अनुपात की गणना करते हैं: परत 4 में नोड अनुकूली हैं और इसके परिणामस्वरूप नियम: इस परत में पैरामीटर () निर्धारित किए जाते हैं और परिणामस्वरूप पैरामीटर के रूप में संदर्भित होते हैं। लेयर 5 में, एक एकल नोड समग्र आउटपुट की गणना करता है: ऐसा है कि इनपुट वेक्टर आमतौर पर परत द्वारा नेटवर्क परत के माध्यम से खिलाया जाता है। हम तो विचार करते हैं कि एएनएफआईएस सदस्यता कार्यों और नियमों के आधार और परिणाम के पैरामीटर कैसे सीखता है। हम जैंग, सन और मिज़ुंतानी (1 99 7) द्वारा प्रस्तावित हाइब्रिड सीखने एल्गोरिथ्म लागू करते हैं जो अनुकूली नेटवर्क में मापदंडों का पता लगाने के लिए सबसे ऊंचे वंश और कम से कम वर्गों का संयोजन का उपयोग करता है (देखें फोंटेनला-रोमेरोल (2003))। हमने कुल पैरामीटर सेट एस को दो और सेट में विभाजित किया। परिसर (गैररेखा) पैरामीटर का सेट, और परिणामी (रैखिक) पैरामीटर का सेट इस अध्ययन में, एएनएफआईएस एक दो-पास शिक्षा एल्गोरिदम का उपयोग करता है। अग्रेषित पास में, असमापित है और इसे एलएसई एल्गोरिदम का उपयोग करके गणना की जाती है, जबकि पिछड़े पास में, असम्बद्ध है और इसे वापस-प्रसार (चित्रा 2 में भी चित्रण) जैसे एक ढाल वंश एल्गोरिदम का उपयोग करके अपडेट किया गया है। इस वास्तुकला के लिए एएनएफआईएस एल्गोरिथम सीखने का कार्य सभी संशोधनीय मापदंडों को ट्यून करना है, अर्थात् और एएनएफआईएस आउटपुट को प्रशिक्षण डेटा से मिलान करना। जब परिसर के पैरामीटर और सदस्यता फ़ंक्शन को ठीक किया जाता है, तो एएनएफआईएस मॉडल का उत्पादन विशेष रूप से लिखा जा सकता है, सीखने की प्रक्रिया में एक अग्रेषित पास और बैक-प्रचार होता है, जहां आगे पास में, कार्यात्मक सिग्नल परत तक आगे बढ़ते हैं 4, और परिणामस्वरूप मापदंडों को कम-स्क्वायर अनुमान से पहचाना जाता है। पिछड़े पास में, त्रुटि दर पीछे की तरफ फैलती है और परिसर पैरामीटर को ढाल वंश द्वारा अद्यतन किया जाता है। दिए गए निश्चित मूल्यों के लिए इस दृष्टिकोण से प्राप्त पैरामीटर वैश्विक इष्टतम होने की गारंटी है। तालिका 1 सीखने के तरीकों का सारांश प्रदान करता है आउटपुट त्रुटि का उपयोग मानक बैक-प्रचार एल्गोरिथ्म के माध्यम से परिमाणा मानकों को अनुकूलित करने के लिए किया जाता है। तालिका 1: सीखने के तरीकों सारांश अग्रेषित पास पिछड़े पास परिसर पैरामीटर लिस्टिंग 3: एएसओएम के साथ एएनएफआई का अनुकूलन 3. अनुभवजन्य डेटा और परिणाम विदेशी मुद्रा (एफएक्स) बाजार एक 24 घंटे का बाजार है, जहां तीन प्रमुख केंद्रों के साथ उच्च तरलता और अस्थिरता है दुनिया के विभिन्न हिस्सों: न्यूयॉर्क, लंदन और टोक्यो यह सुबह के समय के दौरान अस्थिरता में सबसे ज्यादा है क्योंकि लंदन और न्यूयॉर्क में दोनों बैंक खुले हैं और एक साथ व्यापार करते हैं। स्टाइलिज्ड तथ्यों जैसे कि गेनलोस असममेटरी और भारी पूंछ, एफएक्स रिटर्न डिस्ट्रीब्यूशन (बॉवेंस एट अल। 2005) में देखी गई हैं। विश्वभर से वाणिज्यिक बैंक, कॉर्पोरेट, फंडिंग और खुदरा संस्थान एफएक्स व्यापार में भाग लेते हैं। एफएक्स बाजार की कीमत संस्थाओं, व्यापारियों, निर्यातकों, आयातकों, पोर्टफोलियो प्रबंधकों और पर्यटकों को मुद्राओं को खरीदने और बेचने के द्वारा बनाई गई है। आजकल, ऑर्डर्स स्वचालित रूप से स्वचालित ब्रोकरेज टर्मिनलों के माध्यम से मिलान किए जाते हैं। यूँ, ग्युमेरेस और स्वालेज (1994) में बताया गया है कि बाजार निर्माताओं के बीच लगभग 85 सभी एफएक्स व्यापार होता है। यह सट्टा के लिए अवसर पैदा करता है। हालांकि, एफएक्स बाजार में अटकलें एक शून्य-योग गेम है, जिसका अर्थ है संचयी मुनाफे संचयी नुकसान के बराबर हो सकता है। इस अध्याय के दौरान, सिस्टम में इनपुट 04042006 से 04042008 तक उच्च आवृत्ति वाले एफएक्स डेटा का नमूना है। सिस्टम का परीक्षण पांच विदेशी विनिमय दरों पर किया गया है, जो हैं: EURUSD, AUDUSD, GBPUSD, USDCHF, और USDJPY। चित्रा 6, इस अध्ययन में उपयोग की जाने वाली अलग-अलग समय श्रृंखला को दर्शाती है। चित्रा 6: सभी पांच एफएक्स मुद्रा जोड़े की समय श्रृंखला 04042006 से 04042008 तक देखी गई, 1 यूएसडी के लिए सामान्यीकृत पांच मिनट के मूल्य डेटा का यह मूल डाटासेट (गैर-ओवरलैपिंग) उप डेटा सेटों में विभाजित किया गया है, जिसमें प्रत्येक के लिए m500 डेटा पॉइंट्स शामिल हैं एफएक्स दरें एक बहुत छोटा मी (100 अंक कहते हैं) गति को बनाने और वांछित अवलोकनों (घटनाओं) को प्राप्त करने के लिए पर्याप्त नहीं हो सकता है क्योंकि दहलीज को पार नहीं किया जा सकता है। इसी तरह, एक बड़ी संख्या में अधिक टिप्पणियां शामिल हो सकती हैं, जो हमें सिस्टम के एक भाग के लिए इच्छा होती है, जो अतिरंजित और अतिरंजित होता है। चूंकि सभी उच्च आवृत्ति एफएक्स दरें अलग-अलग आंकड़ों के मुकाबले में हैं, इसलिए मी चुना गया था कि सभी सीरीज में तुलनात्मक उप-डेटा सेट हैं। प्रत्येक एफएक्स दरों की श्रृंखला के लिए, प्रत्येक उप-समूह में पहले 500 उद्धरण-नमूना अंक अंक अंक सिस्टम प्रशिक्षण के लिए उपयोग किए जाते हैं। बाद के 500 डाटा पॉइंटों को क्वाउट-ऑफ-नमूने के रूप में माना जाता है और आउटपुट त्रुटि का उपयोग करके सिस्टम प्रदर्शन को मान्य करने और नेटवर्क संरचना को अद्यतन करने के लिए उपयोग किया जाता है। एक सिमुलेशन पर सत्यापन के लिए इस्तेमाल किए गए 500 डेटा बिंदुओं को अगले सिमुलेशन में सिस्टम को फिर से प्रशिक्षित करने के लिए पुन: उपयोग किया जा सकता है, इस प्रकार सभी उपलब्ध आंकड़ों के उपयोग के लिए, सिस्टम को प्रशिक्षण और मान्य करने के लिए एक रोलिंग विंडो तंत्र तैयार करना। प्रस्तावित मॉडल के प्रदर्शन का मूल्यांकन करने के लिए, हम मानकों के लिए शार्प रेशियो और सर्सीनो अनुपात का उपयोग करके मानक खरीद और पकड़ की रणनीति के साथ ANFIS की तुलना करेंगे। शार्प अनुपात का उपयोग निवेश परिसंपत्ति या पोर्टफोलियो के जोखिम-समायोजित रिटर्न के लिए किया जाता है, जो निवेशकों को बता सकता है कि किसी परिसंपत्ति की वापसी ने निवेशकों को कितनी अच्छी तरह से जोखिम उठाया है। दूसरे शब्दों में, शार्प राशन निवेशकों को बता सकते हैं कि किसी संपत्ति या पोर्टफोलियो का रिटर्न स्मार्ट ट्रेडिंग रणनीति या अतिरिक्त जोखिम से आता है। शार्प अनुपात को परिभाषित किया जाता है जहां आरपी अपेक्षित वापसी, आरएफ जोखिम मुक्त ब्याज दर और पोर्टफोलियो में अस्थिरता को दर्शाता है। शार्प अनुपात निवेश परिसंपत्ति या पोर्टफोलियो में कुल जोखिम के प्रत्येक इकाई के जोखिम जोखिम को मापता है निवेशक अक्सर उच्च शार्प अनुपात के साथ निवेश को चुनते हैं क्योंकि शार्प अनुपात अधिक है, इसके जोखिम-समायोजित प्रदर्शन बेहतर है। इसी तरह, क्रमबद्धता अनुपात को परिभाषित किया जाता है जहां neg केवल नकारात्मक संपत्ति रिटर्न के मानक विचलन को दर्शाता है। शार्प रेशियो और सैंडिनो अनुपात के बीच मुख्य अंतर यह है कि सीरिनिनो अनुपात केवल नकारात्मक पक्ष की अस्थिरता को दंड देता है, जबकि शार्प अनुपात दोनों पक्ष और उतार-चढ़ाव की अस्थिरता को दंड देता है। इस प्रकार, सीरिनिनो अनुपात निवेश परिसंपत्ति या पोर्टफोलियो में नकारात्मक पहलू के प्रत्येक इकाई के जोखिम जोखिम को मापता है। जब ANFIS को प्रशिक्षण दिया जाता है, तो प्रारंभिक प्रयोगों को चलाने के बाद यह देखा गया है कि बड़ी संख्या में युगों की संख्या, अधिक स्थिर प्रणाली दबंग दोलन के कारण होगी (चित्रा 4 देखें)। इसके अलावा, कदम के आकार जितना अधिक होगा, उतनी ही तेजी से त्रुटियां कम हो जाएंगी, हालांकि अधिक दोलन होंगे। उच्च आवृत्ति में व्यापार करने वाला एक सिस्टम डिजाइन करते समय, उच्च प्रदर्शन और इष्टतम परिणामों के साथ एक प्रमुख श्रेणी को संतुष्ट करना होता है उच्च गति या रन-टाइम और निष्पादन। चूंकि इसे ऊपर की मेज और भूखंडों से देखा जा सकता है, एक कम संख्या में युगों का परिणाम बहुत तेज गति से होता है, जबकि गति घट जाती है क्योंकि युग की संख्या बढ़ जाती है। दूसरी ओर, युगों की संख्या कम होने के कारण कम संख्या में युग बहुत खराब परिणाम पैदा करता है, जो बहुत उच्च प्रदर्शन दरों के साथ एक प्रणाली का उत्पादन करता है हालांकि, यह भी प्रयोगों से देखा गया कि जैसे युग की संख्या बढ़ जाती है, वहां एक ऐसा चरण हो सकता है जहां प्रदर्शन आवश्यक रूप से ज्यादा नहीं बढ़ता, जबकि निष्पादन का समय काफी बढ़ जाता है। इसलिए, यह गति और प्रदर्शन के बीच समझौता का मामला है। इस मुद्दे को 80 युगों के साथ एक सिस्टम को चुन कर हल किया जा सकता है, जहां यह व्यापक प्रयोगों के बाद (तालिका 2 देखें) सबसे कम समय के लिए उच्चतम प्रदर्शन का उत्पादन करने के लिए पाया गया है। इसके अलावा, सिस्टम पांच मिनट के अंतराल पर ट्रेड करता है, इसलिए 25.15 सेकेंड का समय एएनएफआईएस डिजाइन की जटिलता को देखते हुए लंबे निष्पादन समय पर नहीं माना जा सकता। सारणी 2: एएनएफआईएस प्रणाली के नमूने का नमूना विभिन्न संख्याओं का उपयोग कर संख्याओं का उपयोग करते हैं। एपोक्स सीपीयू टाइम (सेकेंड) का दर लाभ लाभ जीतना माना जाने वाला युगों की संख्या निर्धारित करने के बाद, एएनएफआईएस ने दिन के समय से डेटा खिलाया था जब अवलोकन की संख्या 10 घटनाओं से अधिक हो गई थी। उच्च उतार-चढ़ाव (तनाव प्रशिक्षण) के साथ डेटा पर प्रशिक्षित होने के बाद, एएनएफआईएस आंकड़ों की जांच के एक सेट की भविष्यवाणी करेगा। जैसा कि कहा गया है, एएनएफआईएस प्रदर्शन के परिणाम की तुलना एक बेंचमार्क मॉडल के रूप में पारंपरिक खरीद और पकड़ की रणनीति से की जाएगी। तालिका 3 पारंपरिक खरीद और पकड़ रणनीति की तुलना में सिस्टम के समग्र औसत प्रदर्शन की रिपोर्ट करता है। सकारात्मक शार्प और सर्सोइनो अनुपात दर्शाते हैं कि सिस्टम ने प्राप्त लाभ की राशि के लिए उच्च जोखिम नहीं लिया है। निवेश लाभ अनुपात का जीत हासिल करना शार्प अनुपात तालिका 3: एएनएफआईएस और खरीद और पकड़ दोनों की रणनीति के लिए आउट-ऑफ-नमूना में औसत प्रदर्शन उपायों की तुलना जीतने की दर समग्र रूप से जीतने वाले ट्रेडों की संख्या का वर्णन करती है ट्रेडों की संख्या उपर्युक्त दर्शाता है कि औसतन, एएनएफआईएस प्रणाली ने जीत की समग्र संख्या में मानक खरीद और पकड़ रणनीति को मात दी। मुनाफा कारक मुख्य रूप से एक निवेश पर ट्रेडों की श्रृंखला की ऐतिहासिक लाभप्रदता का वर्णन करता है। लाभ का एक भी हिस्सा 1 का अर्थ है निवेश जो ट्रेडों को जीतने के सकल योग के 50 मौके और ट्रेडों को खोने के सकल योग के 50 मौके के साथ ट्रेडों को उत्पन्न करता है। आम तौर पर, निवेशक लाभ फैक्टर के साथ एक से ज्यादा निवेश करते हैं। उपरोक्त बताता है कि एएनएफआईएस प्रणाली में अधिकांश मामलों में 1 से अधिक मुनाफा कारक है। निवेश की वापसी (आरओआई) का प्रयोग निवेश की दक्षता का मूल्यांकन करने या निवेश पर रिटर्न की तुलना करने के लिए किया जाता है। यही है, आरओआई निवेश की लागत की तुलना के संबंध में एक निवेश पर प्राप्त या खोया लाभ का अनुपात है। तालिका 3 बताता है कि एएनएफआईएस ने पारंपरिक खरीद और पकड़ रणनीति से अधिक आरओआई प्राप्त कर लिया है। अंत में, शार्प रेशियो और सॉर्किनिनो अनुपात, जो जोखिम के प्रति इकाई निवेश को मापता है, एएनएफआईएस मॉडल का बेहतर प्रदर्शन भी दर्शाता है, लेकिन अन्य बेंचमार्क मानों की तुलना में कम सुसंगत है। 4. निष्कर्ष नरक कंप्यूटिंग और कृत्रिम बुद्धि का विशिष्ट क्षेत्र इस प्रोजेक्ट में युग्मों की संख्या और सीखने की दर से छेड़छाड़ करके अनुकूली तंत्रो-फजी निष्कर्ष प्रणाली (एएनएफआईएस) के प्रदर्शन को बेहतर बनाने और सुधारने के द्वारा इस परियोजना में संबोधित किया गया था। यह निष्कर्ष निकाला गया था कि कुछ इष्टतम युगों को पार नहीं किया जाना चाहिए, क्योंकि इससे प्रणाली में तेजी से सुधार नहीं होगा। इस परियोजना में प्रस्तावित इन्ट्राडे सीज़ैन्सी अवलोकन मॉडल (आईएसओएम) विभिन्न थ्रेसहोल्ड स्तरों पर परीक्षण किया गया है। सीमा के भीतर एक दिशात्मक परिवर्तन का अवलोकन समय की छाप लेता है और उस समय के दौरान किए गए सभी अवलोकनों के परिणामस्वरूप इसके अलावा। इस पद्धति की शक्ति इस तथ्य में निहित है कि किसी भी समय आवृत्ति के लिए किसी सीमा का उपयोग किया जा सकता है। यह एक नए परिप्रेक्ष्य से संपूर्ण डेटा श्रृंखला के लिए घटनाओं के अवलोकन को आगे बढ़ाता है। घटना-आधारित अस्थिरता की उपरोक्त अवधारणाओं ने एएनएफआईएस के साथ संगत होना सिद्ध किया है यदि पर्याप्त डेटा ISOM को करने के लिए मौजूद है मानक खरीद-और-पकड़ व्यापार रणनीति के खिलाफ प्रस्तावित मॉडल की तुलना में इंट्रैडे एएनएफआईएस का एक बेहतर प्रदर्शन दिखाता है। पावती लेखकों स्टीव फेल्प्स, संपादक और उनके अनाम टिप्पणियों और सुझावों के लिए तीन अनाम रेफरी के लिए बहुत आभारी हैं जिससे इस पत्र में सुधार हुआ। सन्दर्भ एबोनी, जे बाबूस्का, आर और सजेफेर्ट, एफ (2001)। Multivariate सदस्यता कार्य के साथ फजी मॉडलिंग: ग्रे बॉक्स पहचान और नियंत्रण डिजाइन सिस्टम, मैन, और साइबरनेटिक्स पर आईईईई लेनदेन - पार्ट बी: साइबरनेटिक्स, 31, 755-767 एल्ड्रिज, आई (200 9)। उच्च आवृत्ति ट्रेडिंग - ए व्यावहारिक गाइड एल्गोरिथम ट्रेडिंग रणनीतियाँ और ट्रेडिंग सिस्टम के लिए विले, न्यू जर्सी बावेन्स, एल। ओमरेन, बी और गियोट, पी। (2005)। यूरो-डॉलर विदेशी मुद्रा बाजार में समाचार घोषणाएं, बाजार गतिविधि और अस्थिरता जर्नल ऑफ इंटरनेशनल मनी एंड फाइनेंस, 24, 1108-1125 कैस्टिलो, ई। गुइजारो-बिरडीनास, बी। फोंटेनला-रोमेरो, ओ। और अलोंसो-बेटानजोस, ए (2006)। संवेदनशीलता विश्लेषण के आधार पर तंत्रिका नेटवर्क के लिए एक बहुत तेजी से सीखने की विधि जर्नल ऑफ़ मशीन लर्निंग रिसर्च, 7, 1159-1182 चेल्यानी, ए और हसन, एम। (2001)। कृत्रिम तंत्रिका नेटवर्क का उपयोग कर परिवेशी वायु में नाइट्रोजन डाइऑक्साइड एकाग्रता का पूर्वानुमान इंटरनेशनल जर्नल ऑफ एनवायरनमेंटल स्टडीज, 58, 487-49 9। डकोरोगना, एम। जीनकेसिलेले, आर। मुउमलर, यू ए। पिक्टेट, ओ। और ऑलसेन, आर (2001)। उच्च आवृत्ति वित्त का परिचय शैक्षणिक प्रेस, सैन डिएगो देनई, एम। पालिस, एफ। और ज़िबबिब, ए (2007)। सॉफ्ट कंप्यूटिंग तकनीकों का उपयोग कर गैर-रेखीय प्रणालियों के मॉडलिंग और नियंत्रण। एप्लाइड सॉफ्ट कंप्यूटिंग, 7, 728-738 फोन्टेनला-रोमेरोल, ओ (2003) तंत्रिका नेटवर्क सीखने के लिए रेखीय कम से कम वर्ग आधारित विधियां कंप्यूटर विज्ञान में व्याख्यान नोट्स, 27, 84-91 ग्लैटफ़ैल्डर, जे। बी। डुप्युनी, ए और ऑलसेन, आर (200 9)। स्केलिंग कानून और एफएक्स तटरेखा का एक व्यापक समूह, कार्य पत्र, आर्क्सिव: 080 9। 1040 Hellstrom, T. और Holmstroumlm, के। (1 99 8)। स्टॉक मार्केट की तकनीकी अनुमान, तकनीकी रिपोर्ट आईएमए-टॉम-1997-07। स्वीडन: गणितीय मॉडलिंग केंद्र, गणित और भौतिकी विभाग, माउमुल्लडेलन विश्वविद्यालय। जंग, जे आर (1 99 3) एएनएफआईएस: अनुकूली नेटवर्क आधारित फजी निष्कर्ष प्रणाली सिस्टम, मैन और साइबरनेटिक्स पर आईईईई लेनदेन, 23 (3), 665-685 जंग, जे आर। सन, सी टी और मिज़ुट्नी, ई। (1 99 7)। न्यूरो-फ़ज़ी और सॉफ्ट कम्प्यूटिंग प्रेंटिस हॉल, अपर सेडल नदी, एनजे कोन्स्टांटार्स, ए। वर्ले, एम आर आर वलियानाटोस, एफ। कोलिन्स, जी और होलीफिल्ड, पी। (2006)। न्यूरो-फजी पूर्वानुमान-आधारित अनुकूली फ़िल्टरिंग गंभीर रूप से विकृत चुंबकीय क्षेत्र रिकॉर्डिंग के लिए लागू है। आईईईई जीओसाइंस और रिमोट सेंसिंग लिमिट्स, 3 (4), 43 9 -441 मित्रा, पी। मौलिक, एस। चौधरी, एसपी और चौधरी, एस। (2008)। एनएफ़आईआईआईएस आधारित स्वचालित वोल्ट रेगुलेटर हाइब्रिड लर्निंग एल्गोरिथम के साथ, एनर्जी सिस्टम्स एंड पावर में नवाचार के इंटरनेशनल जर्नल, 3, 5-10। मर्फी, जे। (1 9 86) वायदा बाजार का तकनीकी विश्लेषण न्यू यॉर्क इंस्टिट्यूट ऑफ फाइनेंस, न्यूयॉर्क शीन, जे एन (2005)। फजी वित्तीय निर्णय-बनाना: लोड प्रबंधन कार्यक्रम केस स्टडी आईईईई पावर सिस्टम्स पर लेनदेन, 20 (4), 1808-1817 ताकागी, टी। और शुगोनो, एम। (1 9 85)। सिस्टम की फजी पहचान और मॉडलिंग और नियंत्रण के लिए इसके आवेदन। सिस्टम, मैन और साइबरनेटिक्स पर आईईईई लेनदेन, 12, 116-132 येजियोरोआ, ए। डोंब, बी और लीटे, एफ (2008)। भवन निर्माण सिमुलेशन टूल का आकलन करने के लिए एक अनुप्रयुक्त कृत्रिम बुद्धि दृष्टिकोण। ऊर्जा और भवन, 612-620 यून, वाई। गुइमारेस, टी। और स्वालेज, जी (1 99 4)। नियम-आधारित विशेषज्ञ प्रणालियों के साथ तंत्रिका नेटवर्क को एकीकृत करना निर्णय समर्थन प्रणाली, 11, 497-507 निबंध लेखन सेवा पूरी तरह से संदर्भित, समय पर निबंध, निबंध लेखन सेवा। असाइनमेंट लेखन सेवा सब कुछ हम अपनी सटीक आवश्यकताओं के लिए सर्वोत्तम संभव असाइनमेंट लिखने पर ध्यान केंद्रित कर रहे हैं चिह्नित सेवा हमारी अंकन सेवा आपको अपने काम के क्षेत्रों को चुनने में मदद करेगी जो सुधार की आवश्यकता है। कई शैलियों में शैक्षणिक संदर्भों को बनाने में आपकी सहायता करने के लिए मुफ़्त संदर्भ जेनरेटर उपकरण। निःशुल्क सहायता मार्गदर्शिकाएं अपनी पढ़ाई के दौरान आपको जो कुछ जानने की जरूरत है, उसे ऑर्डर करें अब हमारे विशेषज्ञ आपके निबंध के साथ आपकी मदद करने के लिए इंतजार कर रहे हैं हमारे विशेषज्ञ आपके निबंध प्रश्न से अनुरोध को हटाने में मदद कर सकते हैं यदि आप इस निबंध के मूल लेखक हैं और अब नहीं चाहते हैं ब्रिटेन के निबंध वेबसाइट पर निबंध प्रकाशित किया गया है, तो कृपया नीचे दिए गए लिंक पर क्लिक करें, हटाने का अनुरोध करें: ब्रिटेन के निबंधों से अधिक आपके भविष्य में आज निवेश करें कॉपीराइट प्रति 2003 - 2017 - ब्रिटेन निबंध सभी उत्तरों का एक व्यापारिक नाम है, जो कि एक पंजीकृत कंपनी है इंग्लैंड और वेल्स। Company Registration No: 4964706. VAT Registration No: 842417633. Registered Data Controller No: Z1821391. Registered office: Venture House, Cross Street, Arnold, Nottingham, Nottinghamshire, NG5 7PJ.