Ps ปรับตัว เคลื่อนไหว ค่าเฉลี่ย สัญญาณ

มีนาคม 1998 TIPS พ่อค้านี่คือการเลือกของเดือนนี้ของ Traders เคล็ดลับสนับสนุนโดยนักพัฒนาต่างๆของซอฟต์แวร์การวิเคราะห์ทางเทคนิคเพื่อช่วยให้ผู้อ่านได้ง่ายขึ้นใช้บางส่วนของกลยุทธ์ที่นำเสนอในฉบับนี้คุณสามารถคัดลอกสูตรเหล่านี้และโปรแกรมสำหรับใช้งานง่ายในของคุณ สเปรดชีตหรือซอฟต์แวร์การวิเคราะห์เพียงแค่เลือกข้อความที่ต้องการโดยการไฮไลต์ตามที่คุณต้องการในโปรแกรมประมวลผลคำใด ๆ จากนั้นใช้คำสั่งคีย์มาตรฐานของคุณเพื่อคัดลอกหรือเลือกคัดลอกจากเมนูเบราเซอร์ข้อความที่คัดลอกจะวางลงในสเปรดชีตหรือซอฟต์แวร์อื่น ๆ ได้ด้วย การเลือกจุดแทรกและการดำเนินการคำสั่งวางโดยการสลับไปมาระหว่างหน้าต่างแอพพลิเคชันและเว็บเพจที่เปิดข้อมูลสามารถถ่ายโอนได้อย่างง่ายดายเคล็ดลับเดือนนี้ประกอบด้วยสูตรและโปรแกรมสำหรับค่าเฉลี่ยเคลื่อนที่แบบปรับตัวที่กล่าวถึงใน สัมภาษณ์กับเพอร์รี่คอฟแมนในปี 2541 หุ้นฉบับโบนัสบทความเดิมที่ปรากฏในเดือนมี. ค. 2538 เป็นทางเลือกที่ดีเยี่ยม การคํานวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยในเดือนนี้เราจะเสนอการศึกษาภาษา Easy Language สองภาษาและระบบ Easy Language ซึ่งอิงตามค่าเฉลี่ยเคลื่อนที่ที่ปรับได้ค่าการคำนวณค่าเฉลี่ยเคลื่อนที่แบบปรับตัวที่ใช้ในการศึกษาและระบบใน TradeStation หรือ SuperCharts คือ ทำหน้าที่หลักด้วยฟังก์ชันที่เรียกว่า AMA ฟังก์ชันอื่น ๆ ที่เรียกว่า AMAF ใช้เพื่อคำนวณตัวกรองค่าเฉลี่ยเคลื่อนที่แบบปรับตัวได้เช่นเคยควรสร้างฟังก์ชันก่อนการพัฒนาระบบการศึกษาประเภทฟังก์ชันชื่อ AMA. Vars Noise 0, Signal 0, Diff 0, efRatio 0, Smooth 1, Fast 6667, Slowest 0645, AdaptMA 0.Diff AbsValue Close - ปิด 1.IF CurrentBar Period แล้ว AdaptMA Close. IF ช่วงเวลาปัจจุบันแล้วเริ่มสัญญาณ AbsValue Close - ปิด Period. Noise Summation Diff, สัญญาณเอฟเฟคสัญญาณรบกวนระยะเวลาทำงานเร็วที่สุด - ช้าที่สุดช้าที่สุด 2. AdaptMA AdaptMA 1 Smooth Close - AdaptMA 1 End. Inputs Period Numeric, Pcnt Numeric. Vars เสียง 0, สัญญาณ 0 , Diff 0, efRatio 0, Smooth 1, Fast 6667, Slowest 0645, AdaptMA 0, AMAFltr 0.Diff AbsValue ปิด - ปิด 1.IF ช่วงเวลาปัจจุบันแล้ว AdaptMA Close. IF ช่วงเวลาปัจจุบันเริ่มจากช่วงเวลาที่สัญญาณเริ่มต้น AbsValue Close - Close Period. Noise Summation Diff, Period. efRatio Signal Noise. Smooth Power EfRatio เร็วที่สุด - Slowest Slowest, 2.AdaptMA AdaptMA 1 Smooth Close - AdaptMA 1.AMAFltr StdDev AdaptMA-AdaptMA 1, ช่วงเวลาสิ้นสุด Pcnt End AMAFltr AMAF เมื่อคุณสร้างทั้งสองฟังก์ชั่นคุณสามารถ แล้วสร้างการศึกษาทั้งสองและระบบตัวบ่งชี้แรกจะแสดงเส้นค่าเฉลี่ยเคลื่อนที่ที่ปรับได้โดยมีตัวเลือกบิดบิดคือเส้น AMA สามารถปรับให้เรียบได้โดยใช้การถดถอยเชิงเส้นดังนั้นฉันจึงรวมอยู่ในตัวบ่งชี้อินพุทชื่อเรียบที่ช่วยให้คุณได้ เพื่อตรวจสอบว่าบรรทัด AMA ควรเรียบหรือไม่ AY เนื่องจากค่าอินพุททำให้การคำนวณง่ายขึ้นแอ็ป N เพียงแค่แปลงสาย AMA ดิบตัวบ่งชี้นี้ควรปรับขนาดเป็นเช่นเดียวกับข้อมูลราคาชนิดตัวบ่งชี้ชื่อ MovAvg Adaptive. Inpu ระยะเวลา 10, Smooth Y. IF UpperStr Smooth Y แล้ว Plot1 LinearRegValue AMA ระยะเวลา, 0, Smooth AMA Else Plot2 ระยะเวลา AMA, Adaptive MA ตัวบ่งชี้ที่สอง Mov Avg Adaptive Fltr ใช้แนวคิดการกรองและนำไปใช้กับตัวบ่งชี้ ในพารามิเตอร์ AMAF ที่ปรับค่าพารามิเตอร์การเคลื่อนไหวที่ปรับเปลี่ยนแล้วตัวบ่งชี้นี้จะพล็อตเส้นสีน้ำเงินหรือสีแดงแนวตั้งขึ้นอยู่กับเงื่อนไขที่ตรงตามค่าที่สะท้อนโดยเส้นแนวตั้งจะสะท้อนค่าของการกรอง AMA การคำนวณรูปแบบการตั้งค่าบางอย่างที่แนะนำจะได้รับหลังจาก รหัสแสดงสถานะชื่อตัวบ่งชี้ชื่อ MovAvg Adaptive Fltr. Inputs ระยะเวลา 10, Pcnt 15.Vars AMAVal 0, AMAFVal 0, AMALs 0, AMAHs 0.AMAFVAL AMAF ระยะเวลา Pcnt. IF CurrentBar 1 จากนั้นเริ่ม AMALs AMAVal. AMAHs AMAVal End Else เริ่มต้น IF AMAVal AMAVal 1 จากนั้น AMALs AMAVal IF AMAVal AMAVal 1 จากนั้น AMAHs AMAVal IF AMAVal - AMALs AMAFVal จากนั้นเริ่มต้น Plot1 AMAFVal, Buy. IF Plot1 1 0 แล้วแจ้งเตือน True End Else ถ้า AMAHs - AMAFal AMAFVal แล้วเริ่มต้น Plot2 AMAFVal, Sell. IF Plo t2 1 0 จากนั้นแจ้งเตือน True End Plot3 AMAFVal หน้าจอการปรับขนาด AMAFilter EndStyle ระบบ MovAvg Adaptive Fltr ด้านล่างนี้ขึ้นอยู่กับกฎที่กำหนดไว้สำหรับรายการที่อิงจากการคำนวณโดยเฉลี่ยที่คำนวณโดยการปรับค่าการเคลื่อนที่แบบเคลื่อนย้ายประเภท System. Name MovAvg Adaptive Fltr. Inputs Period 10 , Pcnt 15.Vars AMAVal 0 AMAFVal 0 AMALs 0 AMAHs 0.AMAFVAL AMAF ระยะเวลา Pcnt. IF CurrentBar 1 จากนั้นเริ่ม AMALs AMAVal. AMAHs AMAVal End Else เริ่มต้นถ้า AMAVal AMAVal 1 จากนั้น AMALs AMAVal IF AMAVal AMAVal 1 จากนั้น AMAHs AMAVal IF AMAVal - AMALs ข้าม AMAFVal แล้วซื้อแถบนี้เมื่อปิด AMAHs - AMAVal ข้ามเหนือ AMAFVal แล้วขายแถบนี้เมื่อปิดท้ายรหัสนี้ยังมีอยู่ที่เว็บไซต์ของ Omega Research ชื่อของไฟล์โปรดทราบว่าคำแนะนำของ Traders ทั้งหมด เทคนิคการวิเคราะห์ที่โพสต์ได้ที่เว็บไซต์ Omega Research สามารถใช้งานได้ทั้ง TradeStation และ SuperCharts เมื่อใดก็ตามที่ทำได้เทคนิคการวิเคราะห์ที่โพสต์จะมีทั้ง Quick Editor และ Power Editor formats-- Gaston Sanchez, Omega Research 800 422-8587, 305 270-1095 Internet กลับไปที่ List. In MetaStock 6 5 คุณสามารถสร้างระบบค่าเฉลี่ยเคลื่อนที่แบบปรับตัวได้โดย Perry Kaufman ในการสัมภาษณ์ที่ปรากฏในฉบับโบนัส 1998 เมื่อใช้ MetaStock 6 5 ให้เลือก Indicator Builder จากเมนู Tools จากนั้นคลิกที่ปุ่ม New ป้อนสูตรต่อไปนี้การย้ายค่าเฉลี่ย Binary Wave. Periods ระยะเวลาการป้อนข้อมูล 1,1000, 10.Direction CLOSE - Ref CLOSE, - periods. SSC ER FastSC - SlowSC SlowSC. AMA ถ้า Cum 1 รอบระยะเวลาที่ 1, Close Close, -1 ค่าคงที่ CLOSE - ref Close, -1, ค่าคงที่ก่อนหน้า CLOSE - PREV. FilterPercent Input Filter เปอร์เซ็นต์, 0,100,15 100. ฟิลเตอร์ FilterPercent Std AMA - Ref AMA, -1, Periods. AMalow หาก AMA Ref AMA, 1, AMA, PREV. AMAHigh ถ้า AMA Ref AMA, -1, AMA, PREV. ค่าเฉลี่ยเคลื่อนที่ที่ปรับได้ระยะเวลาป้อนข้อมูล 1,1000, 10.Direction CLOSE - Ref CLOSE, - periods. SSC ER FastSC - SlowSC SlowSC. AMA ถ้า Cum 1 รอบระยะเวลา 1, Close Close, -1 ค่าคงที่ CLOSE - ref Close, -1, ค่าคงที่ก่อนหน้า CLOSE - PREV หากคุณต้องการดู ada ptive moving average ให้พอดีกับกราฟใดก็ได้ใน MetaStock ถ้าคุณต้องการดูสัญญาณซื้อและขายจากระบบค่าเฉลี่ยเคลื่อนที่แบบปรับตัวให้พล็อตคลื่นไบนารีเฉลี่ยที่ปรับค่าได้คลื่น binary นี้จะแปลงเป็น 1 เมื่อมีสัญญาณซื้อ a - 1 สำหรับสัญญาณขายและเป็นศูนย์เมื่อไม่มีสัญญาณ - อัลแลนเจแม็คนิชอล, EQUIS International 800 882-3040, 801 265-8886 อินเทอร์เน็ตกลับไปที่รายการ TAECHNIFILTER PLUS ซึ่งเป็น TechniFilter Plus รุ่น 8 สูตรสำหรับการปรับตัว AMA เฉลี่ยที่เกิดขึ้นโดย Perry Kaufman ในฉบับโบนัสปี 1998AMA เป็นค่าเฉลี่ยเลขชี้กำลังที่น้ำหนักตัวคูณอาจแตกต่างกันไปในแต่ละวันระหว่างค่าสูงสุดและต่ำสุดเนื่องจากราคามีแนวโน้มแข็งแกร่งน้ำหนักผันแปรนี้จึงเข้าใกล้ค่าสูงสุดทำให้เกิด AMA เพื่อติดตามเส้นโค้งราคาอย่างใกล้ชิดมากขึ้นเมื่อราคาเป็น zigzagging น้ำหนักผันแปรจะเข้าใกล้ค่าต่ำสุดทำให้ AMA ทำให้แบน Kaufman ใช้อัตราส่วนของการเปลี่ยนแปลงราคากับการแปรผันของราคาให้มีขนาดเป็นตัวแปรสูตรน้ำหนัก ใช้พารามิเตอร์สามพารามิเตอร์ 2, 30 และ 10 พารามิเตอร์แรก 2 แสดงว่าค่าเฉลี่ยเลขสองวันเป็นค่าเฉลี่ยที่เร็วที่สุดสำหรับค่าเฉลี่ยตัวแปรพารามิเตอร์ที่สอง 30 ระบุว่าค่าเฉลี่ย 30 วันเป็นค่าเฉลี่ยที่ต่ำที่สุดสำหรับตัวแปร ค่าเฉลี่ยพารามิเตอร์ที่สาม (10) หมายถึงช่วงเวลาที่มองย้อนกลับสำหรับการคำนวณว่าน้ำหนักจะเปลี่ยนแปลงได้อย่างไรสูตรการปรับตัวที่เหมาะสมของสูตรอาหารของ Kaufman Kaufman สูตรนี้มีประสิทธิภาพมากขึ้นกลยุทธ์ TechniFilter Plus และรายงานกลยุทธ์และสูตรของผู้ค้าที่ผ่านมา คำแนะนำสามารถดาวน์โหลดได้จากเว็บไซต์ของ RTR --Clay Burch, RTR Software 919 510-0608, E-mail Internet กลับสู่รายการ WAVEWI E MARKET SPREADSHEET นี่คือการใช้ WAVE WI E ของ Perry Kaufman ในการปรับค่าเฉลี่ยเคลื่อนที่ AMA , กล่าวถึงในนิตยสารหุ้นข้อเสนอการสัมภาษณ์โบนัสปี 1998 --Peter Di Girolamo, Jerome Technology 908 369-7503, E-mail Internet กลับไปที่รายการ Perry Kaufman's Adjusted Movement Average Stocks, 1 998 โบนัสทำหน้าที่เป็นตัวอย่างที่ดีสำหรับการใช้ความสามารถของสูตรผู้ใช้ใน SMARTrader กุญแจสำคัญในการสร้างค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย AMA คือความสามารถในการเขียน recursive หรือ self-referencing สูตรฉันจะชี้ไปที่เหล่านั้นในขณะที่เราดำเนินการต่อไป 4, labeled offset ถูกใช้ร่วมกับแถวที่ 15 เพื่อใส่ค่าที่ป้อนด้วยตนเองในตัวอย่างสเปรดชีตในเซลล์ I5 ถึง I14 ทิศทางถูกกำหนดไว้ในแถว 5 โดยใช้การศึกษาโมเมนตัมระยะเวลา 10 ช่วง 6, 7 และ 8 คำนวณความผันผวนโดยการคำนวณครั้งแรก โมเมนตัมหนึ่งช่วงแล้วใช้ค่าสัมบูรณ์ของโมเมนตัมและสุดท้ายสรุปชุด 10 ช่วงแถวที่ 9 และ 10 คำนวณค่า ER และค่าสัมบูรณ์ของค่าแถวที่ 11 และ 12 เป็นค่าสัมประสิทธิ์ที่มีค่าแทนค่าที่แสดงถึงสองและ 30 งวดตามลำดับ แถวที่ 13 คำนวณค่า ssc แถว 14 สี่เหลี่ยม ssc ให้ c. Row 16 คำนวณ AMA จริงและเป็นแถวแรกที่ recursive แถวที่ 17 นอกจากนี้ recursive คำนวณความแตกต่างของกระแสและก่อน vid AMA แถว 18 AMAdiff ใช้คำสั่ง if เพื่อหลีกเลี่ยงการรายงานผลที่ไม่ถูกต้องในคอลัมน์ 1 เนื่องจากไม่มีอะไรก่อนที่คอลัมน์ 1 จะให้ผลการคำนวณที่ถูกต้อง 19 คำนวณค่าเบี่ยงเบนมาตรฐาน 10 ช่วงของ AMAdiff Row 20 คือ ค่าที่ประกอบด้วยค่าร้อยละแถว 21 คำนวณค่าตัวกรองแถวที่ 22 และ 23 เป็นแถวของผู้ใช้แบบวนซ้ำที่ติดตามระดับต่ำสุดของ AMA และ AMA โดยค่าเฉลี่ย 23 และ 24 เป็นกฎการซื้อสินค้าตามลำดับรูปที่ 1 SMARTRADER SMARTRADER นี้เป็น SMARTrader SpecSheet ใช้ Perry Kaufman s ค่าเฉลี่ยเคลื่อนที่แบบปรับตัวได้จากฉบับโบนัสปีพ. ศ. 1998 นอกจากนี้ยังมีการจัดทำแผ่นข้อมูลนี้ที่เว็บไซต์ของ Stratagem - Jim Ritter, Stratagem Software International 504 885-7353, E-mail Internet กลับไปที่รายชื่อผู้เข้ารับการฝึกอบรม Bolllinger Bands. Bollinger Bands - Expert System. CCI 100 -100 ครอสโอเวอร์. Oscillator Momentum Chande - ผู้เชี่ยวชาญระบบการแทรกแซง MA คลาสสิกด้วยการเพิ่มประสิทธิภาพการเคลื่อนไหวเชิงมุมด้วยการเพิ่มประสิทธิภาพการเคลื่อนไหวแบบขนาน - Expert System. MACD กับ Optimization. MACD - Expert System. Mome ตัวชี้วัด ntum - Expert System. Moving เฉลี่ยครอสโอเวอร์ที่มีการเพิ่มประสิทธิภาพดัชนีปริมาณการระบุด้วยการเพิ่มประสิทธิภาพดัชนีความแข็งแกร่ง - Expert System. Relative Strength ดัชนี 70 30 ด้วยการเพิ่มประสิทธิภาพ Tosochastic 20 80 กับการเพิ่มประสิทธิภาพ Oscillator Oscillator - Expert System. Trend Analysis - Expert System การวิเคราะห์ความคลาดเคลื่อน - ระบบผู้เชี่ยวชาญ System. Point และรูปแบบรูปแบบจุดและรูปแบบรูปแบบด้วยการเพิ่มประสิทธิภาพ Pivots Bollinger Bands Modified. Power Pivots CCI Modified. Power Pivot Pivot โมเมนตัม Pivot Pivot Rotation Pivots กรอบเวลา Convergence. Performance Systems การปรับตัวที่เหมาะสมค่าเฉลี่ยระบบประสิทธิภาพ Bull Power Bear Power 1. ระบบสมรรถนะ Bull Power Bear Power 2. ระบบประสิทธิภาพ Bull Power Bear Power 3. ระบบดีขึ้น Commodity Channel Index. Performance Systems ระบบ Chande Forecast Oscillator. Performance Systems CMO Reversal. Performance Systems Consolidation Breakout Performance Systems Cooper 1234 รูปแบบการดำเนินงานระบบความก้าวหน้าของวงจร on. Performance Systems ดัชนีโมเมนตัมแบบไดนามิก 1.Performance Systems Exponential Moving Average. Performance Systems ระบบการซื้อขายเศษส่วน 1. ระบบงานแฟร์ระบบการซื้อขายเศษส่วน 2. ระบบการขายแบบยาวขายระยะสั้น - ระบบวันที่ 5 รูป MACD Histogram 1. ระบบงานระบบ MACD Histogram 2 ระบบสมรรถนะระบบ Meisels Overbought Oversold. Performance Systems MESA Sine Wave ระบบการจัดจำหน่ายรูปแบบผลิตภัณฑ์ระบบการจัดจำหน่ายรูปแบบประสิทธิภาพระบบ Percentage Crossover ระบบการฉายภาพแบบ Pperformance System Oscillator Projection 1.Performance Systems แบบ Stochastic Relative Strength Index. Performance Systems Swing Index. Performance Systems ตัวกรองแนวนอนแนวตั้ง ความผันผวนของระบบ Chaikin. Profitunity - Bill Williams. Momentum Filter - Robert Deel. ODDS ตัวเลือก Analyst - Don Fishback.1 วันสูงปริมาณ 1 วันปริมาณสูงราคา 1 วัน Surge Volume.5 วันสูงปริมาณ 5 วันสูงปริมาณราคา ปริมาณการได้รับแรงกระแทก 5 วัน 90 วันเฉลี่ยปริมาณ 90 วันราคาปริมาณสูง Binary Waves. Bollinger Bands. Bollin ger วง - ผู้เชี่ยวชาญ System. Chande โมเมนตัม Momentum - ผู้เชี่ยวชาญ System. Directional เคลื่อนไหว - Expert System. Indicators, 5 เป็นที่นิยมในระยะยาว Bearish. Long ระยะยาว Bullish. MACD - ระบบผู้เชี่ยวชาญ. MACDซื้อสัญญาณ. MACDของความสัมพันธ์เปรียบเทียบ Strength. Momentum ตัวชี้วัด - ระบบผู้เชี่ยวชาญการปฏิบัติงานรายวันประสิทธิภาพเดือนรายละเอียดและปริมาณ Breakout ดัชนีความแข็งแกร่ง - ผู้เชี่ยวชาญ System. Stochastic Oscillator - Expert System. Trend Analysis - ผู้เชี่ยวชาญ System. Volatility Analysis - Expert System. Volume เหนือ Average. Wilder s Directional Movement. MarketSpace Stock System - Gill Raff. Point รูปแบบรูป Search. Point รูปรูปล่าสุด Patterns Point รายงานสถานะ PointPoint Viewlist Maker. Power Pivots แถบ Bollinger Modified. Power Pivots CCI Modified. Power Pivot Pivot โมเมนตัม Pivot หมุน Pivot หมุน Power Pivots กรอบเวลา Convergence. Performance ระบบ Adaptive Moving Average Signal. Performance ระบบ Bull Power Bear พลังงาน 1 Signal. Performance ระบบ Bull Power Bear Power 2 ประสิทธิภาพ ระบบประสิทธิภาพ Bull Power Bear Power 2 Signal. Performance Systems ระบบไฟฟ้า Bull Power Bear 3 ระบบ Signal. Performance Commodity Channel Index Signal. Performance Systems Chande Forecast ระบบ Oscillator Performance. Performance Systems Chande Forecast ระบบ Oscillator Signal. Proformation Systems CMO สัญญาณย้อนกลับการรวมระบบการรวมระบบ Breakdown Signal. Performance Systems Cooper 1234 สัญญาณรูปแบบประสิทธิภาพระบบความคืบหน้าของวงจรความก้าวหน้าระบบสัญญาณโมเมนตัมแบบไดนามิก 1 สัญญาณประสิทธิภาพการทำงานของระบบค่าเฉลี่ยผลการดำเนินงานที่คาดการณ์ไว้ระบบเชิงตัวเลขระบบการซื้อขายสัญญาณแบบเสแสร้งเฉลี่ยระบบสำเร็จรูประบบการซื้อขายเศษส่วน 1 สัญญาณระบบการซื้อขายสินค้าระบบแฟคตอริ่งแฟคตอริ่ง 2 Signal. Performance Systems Long ขาย Short Sale - 5 วัน Performance. Performance Systems ขายระยะสั้นขายสั้น - 5 วัน Signal. Performance ระบบ MACD Histogram 1 Signal. Performance ระบบ MACD Histogram 2 Signal. Performance ระบบ Meisels Overbought ประสิทธิภาพการทำงานดีกว่า Oversold Syste ms Meisels Overbought สัญญาณโอเวอร์โกลด์ระบบประสิทธิภาพระบบ MESA Sine Wave ประสิทธิภาพระบบสำเร็จรูป MESA Sine Wave Signal ระบบประสิทธิภาพการทำงานของระบบการซื้อขายรูปแบบระบบการซื้อขายรูปแบบระบบการซื้อขายรูปแบบสัญญาณ Signal. Performance Systems Percentage Crossover 3 Signal. Performance Systems Projection Oscillator 1 Performance. Performance Systems Projection Oscillator 1 Signal. Performance Systems ดัชนีความแรงของ Stochastic Relative Strength Index Signal. Performance Systems ผลการดำเนินงานด้านดัชนีความผันผวนของดัชนีประสิทธิภาพระบบสัญญาณ Swing Index Signal. Performance Systems สัญญาณกรองแนวนอนแนวตั้งระบบความผันผวน Breaking Chaikin Performance. Performance Systems ความผันผวน Breakout Chaikin Signal. Forecasting of currency exchange อัตราการใช้แบบจำลอง ARMA แบบปรับตัวได้โดยใช้การฝึกอบรมการพัฒนาด้านวิวัฒนาการที่แตกต่างกันโดยมีนายนาคกิจรามเป็นนาย Bambita Majhi b, c. Ritanjali Majhi d. Ganapati Panda ea Dept of CSE, ITER, Siksha O Anusandhan ถือว่าเป็นมหาวิทยาลัย Bhubaneswar, India. b ฝ่ายของ ควบคุมอัตโนมัติและ Sy stems Engineering, University of Sheffield, UK. c ฝ่าย CSIT, GG Vishwavidyalaya Central University, Bilaspur, India. d โรงเรียนการจัดการสถาบันเทคโนโลยีแห่งชาติ Warangal, India. e โรงเรียนไฟฟ้าวิทยาศาสตร์สถาบันเทคโนโลยีแห่งอินเดีย, Bhubaneswar , India. Received 20 July 2012 แก้ไขเมื่อวันที่ 4 ธันวาคม 2555 ได้รับการยอมรับเมื่อ 2 มกราคม 2013 พร้อมใช้งานออนไลน์วันที่ 8 มกราคม 2013 เพื่อลดข้อ จำกัด ของวิธีการทางสถิติในการคาดการณ์อัตราแลกเปลี่ยนเทคนิคการใช้คอมพิวเตอร์และการวิวัฒนาการได้ถูกนำมาใช้ในเอกสาร การวิจัยในทิศทางนี้บทความนี้เสนอรูปแบบการทำนายแบบผสมผสานที่เรียบง่าย แต่มีแนวโน้มโดยการผสมผสานสถาปัตยกรรมแบบ ARMA เฉลี่ยแบบถ่วงน้ำหนักแบบอัตถดถอยที่ปรับตัวได้และการพัฒนาโครงสร้างที่แตกต่างของ DE โดยใช้การฝึกอบรมฟีดข้อมูลฟีดและฟีดแบ็คกลับมา หน้าต่างบานเลื่อนของข้อมูลที่ผ่านมาและถูกใช้เป็นข้อมูลเข้าสู่รูปแบบการทำนายสำหรับ การฝึกอบรมค่าสัมประสิทธิ์ภายในของตนโดยใช้กลยุทธ์การเพิ่มประสิทธิภาพ DE ประสิทธิภาพการทำนายถูกตรวจสอบโดยใช้อัตราแลกเปลี่ยนในอดีตที่ไม่ใช้เพื่อการฝึกอบรมผลการจำลองโดยใช้ข้อมูลในชีวิตจริงจะถูกนำเสนอสำหรับอัตราแลกเปลี่ยนที่แตกต่างกันสามอัตราสำหรับการคาดการณ์ล่วงหน้าหนึ่งสิบห้าเดือนผลลัพธ์ของรูปแบบที่พัฒนาแล้ว อีกทั้งมีวิธีการแข่งขัน 4 วิธีเช่นการเพิ่มประสิทธิภาพ ARMA-particle PSO, ARMA-cat การเพิ่มประสิทธิภาพของ CSO, ARMA-bacterial foraging optimization BFO และ ARMA ไปข้างหน้าอย่างน้อยที่สุดหมายถึงตาราง FBLMS แบบจำลองการพยากรณ์ ARMA-FBLMS ที่แสดงถึงการคาดการณ์ที่เลวร้ายที่สุดของการแลกเปลี่ยน อัตราการเปรียบเทียบประสิทธิภาพของมาตรการที่แตกต่างกันรวมทั้งระยะเวลาการฝึกอบรมของโมเดลการคำนวณวิวัฒนาการทั้งสามแบบแสดงให้เห็นว่ารูปแบบการคาดการณ์อัตราแลกเปลี่ยน ARMA-DE ที่เสนอมีศักยภาพในการทำนายช่วงระยะสั้นและระยะยาวที่ดีกว่าเมื่อเทียบกับที่อื่น ๆ การคาดการณ์การคาดการณ์อัตราแลกเปลี่ยนอัตโนมัติปรับค่าถอยหลัง e ARMA model. Forward ย้อนกลับ LMS. Particle การเพิ่มประสิทธิภาพการผสมพันธุ์ PSO. Differential DE. Cat การเพิ่มประสิทธิภาพการจับคู่ CSO และการเพิ่มประสิทธิภาพการหาอาหารของแบคทีเรีย BFO.1 บทนำการคาดการณ์อย่างถูกต้องของอัตราแลกเปลี่ยนที่แตกต่างกันมีความสำคัญเป็นจำนวนมากของการซื้อขายเกิดขึ้นผ่านตลาดแลกเปลี่ยนเงินตราต่างประเทศ การคาดการณ์ที่ถูกต้องของอัตราแลกเปลี่ยนเป็นงานที่ซับซ้อนในวรรณคดีได้มีการรายงานรายละเอียดเกี่ยวกับการคาดการณ์อัตราแลกเปลี่ยนหลายอย่างเช่นที่นี่ภายใต้เงื่อนไขดังกล่าวข้อมูลมีวิธีพยากรณ์ด้วยการขับเคลื่อน ได้รับการพิสูจน์ว่ามีประสิทธิภาพสำหรับชุดเวลาทางการเงินที่แตกต่างกันในบทความล่าสุด Yu และคณะ 2005 ผู้เขียนได้เสนอแบบจำลองการคาดการณ์ที่ดีขึ้นสำหรับอัตราแลกเปลี่ยนเงินตราต่างประเทศโดยการรวมอัตมัวร์เชิงเส้นและเครือข่ายประสาทเทียมในการสื่อสารอื่น Zhang and Wan, 2007 ผู้เขียน มี develo ผลการทดลองแสดงให้เห็นว่าเครือข่ายประสาทเทียมช่วงคลุมเครือสามารถให้ผลการทำนายที่เชื่อถือได้มากขึ้นโดยใช้แบบจำลองการปรับตัวแบบไม่เชิงเส้นระดับต่ำหนึ่งชั้น Majhi et al 2009b ผู้เขียนได้เสนอโครงการที่มีประสิทธิภาพสำหรับ การทำนายอัตราแลกเปลี่ยนระหว่าง US Dollar และ British Pound, Indian Rupees และ Japanese Yen นอกจากนี้ยังได้เสนอรูปแบบการทำนายที่มีประสิทธิภาพอีกด้วย cascading two stage ของเครือข่ายแบบ nonlinear single layer ในการศึกษาอีกทั้งมีการใช้วิธีการสร้างแบบจำลองการจัดระเบียบด้วยตัวเองแบบพาราและ nonparametric การทำนายรายวันของเงินดอลลาร์อเมริกันและ Deutche Mark เทียบกับเงินปอนด์อังกฤษ Anastasakis and Mort, 2009 พวกเขาได้รายงานว่าวิธีการรวมกันพบว่ามีผลลัพธ์ที่น่าพอใจโมเดลแบบไฮบริดโดยใช้ทฤษฎีเซ็ตอัพ RST และนำเสนอเวกเตอร์เวคเตอร์แบบไม่ใช้วงกลมแบบ DSCSVM ถูกรวมไว้อย่างเหมาะสม การวิเคราะห์อัตราแลกเปลี่ยน Pai et al 2010 พบว่าวิธีการที่นำเสนอนี้เป็นทางเลือกที่น่าสนใจสำหรับการวิเคราะห์อัตราแลกเปลี่ยนโครงสร้างอื่น ๆ ที่ใช้ในการคาดการณ์ได้มีการกล่าวถึงในส่วนต่อไปด้วยวิธีการ Box Jenkins โดยใช้ ARMA Box เฉลี่ยถ่วงน้ำหนักเคลื่อนไหวและ Jenkins, 1976 โมเดลเชิงเส้นได้รับการใช้อย่างแพร่หลายในหลาย ๆ ด้านของการพยากรณ์แบบอนุกรมเวลาแบบจำลอง ARMA ทั่วไปประกอบด้วยการระบุขั้นตอนที่สามการประมาณค่าพารามิเตอร์และการคาดการณ์ในทั้งสามขั้นตอนขั้นตอนการระบุซึ่งเกี่ยวข้องกับการกำหนดคำสั่งของ AR และ MA ของ รูปแบบ ARMA เป็นสิ่งสำคัญขั้นตอนนี้ต้องใช้ข้อมูลสถิติเช่น autocorrelation และ autocorrelation บางส่วนกล่องและ Jenkins, 1976 ปัญหาของการประมาณคำสั่งและพารามิเตอร์ของรูปแบบ ARMA ยังคงเป็นพื้นที่ที่ใช้งานของการวิจัย Rojasa และคณะ 2008 2008. รูปแบบของ ARMA เช่น ARMA เวกเตอร์สำหรับการคาดการณ์อัตราค่าตั๋วเงินคลังและการเปลี่ยนแปลงใน Aks อุปทานเงิน u, 1991 และตามฤดูกาล fractionally แตกต่างกันแบบ ARMA สำหรับการคาดการณ์ระยะยาวของรายได้ของ IBM Ray, 1993 ได้รับรายงานในวรรณคดีรูปแบบ Multivariate ARMA ได้ถูกนำไปใช้กับเงินแคนาดารูปแบบรายได้และการคาดการณ์อัตราดอกเบี้ย Boudjellaba et al 1994 นอกจากนี้การจัดกลุ่ม ข้อมูลอนุกรมเวลาได้รับการพยายามใช้รูปแบบ ARMA Xiong และ Yeung, 2004 แม้ว่าแม็กกาซีนแบบเวลาแบบสุ่มของ Box Jenkins สามารถให้ผลการคาดการณ์ได้อย่างถูกต้องโมเดลเหล่านี้ขึ้นอยู่กับการออกแบบพารามิเตอร์แบบคงที่ขึ้นอยู่กับชุดข้อมูลทางประวัติศาสตร์โครงสร้างแบบจำลอง รวมทั้งพารามิเตอร์ของมันจะถูกกำหนดและประมาณรูปแบบที่ใช้จะถูกนำมาใช้ในการคาดการณ์อนาคตในสถานการณ์จริงเมื่อมีการเพิ่มข้อมูลใหม่พารามิเตอร์ต้องมีการประมาณค่าใหม่และด้วยเหตุนี้วิธีนี้จึงมีความถูกต้องแม่นยำในการคาดการณ์อย่างชัดเจน Chen et al 1995 ข้อกำหนดที่สำคัญอย่างหนึ่ง ของรูปแบบ ARMA คือชุดเวลาจะต้องเป็นเชิงเส้นและ stationary Wu และ Chan, 2011 แต่ข้อมูลชุดเรียลไทม์ มีลักษณะเป็น nonlinear และ non-stationary ในธรรมชาติในวรรณคดีได้มีการนำเสนอวิธีการ ARMA ที่แตกต่างกันเพื่อวัตถุประสงค์ในการคาดการณ์การใช้ hybridization ของ autoregressive กับ input ภายนอก NARX กับ ARMA สำหรับสถานะของเครื่อง Pham et al 2010, ARMA และเครือข่ายประสาทเทียมสำหรับหมายเลขจุดบอดบนดวงอาทิตย์และแนวโน้ม Chattopadhyay et al 2011, สีเทาและ ARMA สำหรับลอยไจโรโจวและฮู 2008 และ ARMA และ TDNN สำหรับรังสีดวงอาทิตย์ Wu และ Chan การคาดการณ์ในปี 2011 มีข้อเสนอแนะตรรกะแบบฟัซซี่เครือข่ายประสาทเทียม ANN และรูปแบบ ARMA ได้รับการรวมกันอย่างเหมาะสมสำหรับการคาดการณ์ชุดเวลา Rojasa et al 2008 การสร้างเครือข่ายประสาทด้วย ARMA สำหรับการคาดการณ์ชุดข้อมูลอนุกรมเวลาได้รับการเสนอในดาซิลวา, 2008 การประมาณค่าปรับบางส่วนของรูปแบบ ARMA ได้รับการพัฒนา McDonald, 1989 รวมทั้งค่าเบี่ยงเบนสัมบูรณ์น้อยที่สุดและเกณฑ์รูปสี่เหลี่ยมผืนผ้าน้อยอย่างน้อย ARMA แบบปรับตัวสำหรับสั้น การพยากรณ์ความต้องการในช่วงได้รับการรายงานใน Chen et al 1995 ตัวอย่างของชุดข้อมูลขึ้นอยู่กับปัจจุบัน ใส่เช่นเดียวกับผลที่ผ่านมาชุดเวลาที่สอดคล้องกันสามารถจำลองได้ดีขึ้นโดยรูปแบบขั้ว - ศูนย์หรือ ARMA ชุดเวลาดังกล่าวยังสามารถจำลองโดยศูนย์การชุมนุมทั้งหมดหรือ FIR impulse ตอบสนอง จำกัด หรือรูปแบบที่ไม่ใช่ recursive แต่คำสั่งของที่สอดคล้องกัน แบบจำลองจะมีขนาดใหญ่และซับซ้อนมากขึ้นจึงจะมีส่วนร่วมในการฝึกอบรมและใช้โมเดลสำหรับข้อมูลแบบไดนามิกและไม่เชิงเส้นโมเดล ARMA แบบถาวรจะให้ผลการคาดการณ์ที่ไม่ดีเนื่องจากพารามิเตอร์ที่ประเมินก่อนหน้านี้ไม่ได้ทำงานได้ดีสำหรับสถานการณ์ใหม่ดังนั้น ARMA แบบปรับตัวได้ พารามิเตอร์สามารถ retrained เหมาะสำหรับการทำนายอนุกรมเวลาดังกล่าวในวรรณคดีรูปแบบต่างๆของรูปแบบ ARMA ปรับตัวได้รับการแนะนำขั้นตอนวิธี FOLDMS ตารางที่มีค่าเฉลี่ยน้อยที่สุดและแบบย้อนหลังอย่างน้อยที่สุดและ RLS Width และ Strearns ที่น้อยที่สุดแบบเวียนเกิด ได้รับรูปแบบ ARMA ในลักษณะซ้ำ แต่อัลกอริทึมเหล่านี้มาจากอนุพันธ์และด้วยเหตุนี้พารามิเตอร์จึงมีแนวโน้ม เพื่อหลีกเลี่ยงสถานการณ์ดังกล่าวโมเดล ARMA แบบปรับตัวได้รับการเสนอให้ผ่านการฝึกอบรมโดยใช้อัลกอริทึมการเรียนรู้ฟรีในขั้นตอนวิธีทางพันธุกรรม (GA) ขั้นตอนวิธีทางพันธุกรรม (GA) ได้ถูกใช้เพื่อประเมินโครงสร้างและพารามิเตอร์ของ ARMA โมเดลสำหรับการคาดการณ์แบบอนุกรมเวลา Flores et al 2012 และแบบจำลอง PSO-ARMA ได้รับการเสนอแนะสำหรับการคาดการณ์ยอดขาย Majhi et al 2009a การใช้ GA ในการฝึกอบรมพารามิเตอร์มีข้อบกพร่องบางประการประการแรกคือความยากลำบากในการเลือกเส้นทางไขว้และการกลายพันธุ์ที่เหมาะสม การเพิ่มขึ้นของขนาดประชากรในยุคที่เกี่ยวข้องกับการคำนวณเพิ่มเติมใน binary GA การแปลงค่าโครโมโซมจากไบนารีเป็นทศนิยมสำหรับการประเมินสมรรถภาพทางร่างกายก็ต้องใช้เวลามากขึ้นด้วยเช่นกันการใช้เทคนิคการคำนวณวิวัฒนาการเช่นการเพิ่มประสิทธิภาพของอนุภาคของอนุภาค PSO Kennedy et al 2001, วิวัฒนาการที่แตกต่างกัน DE Storn and Price, 1995, Bacterial Foraging Optimization BFO Passino, 2002 a จากขั้นตอนวิธีนี้พบว่า DE เป็นทางเลือกที่ง่ายและมีประโยชน์สำหรับ GA และได้รับการปฏิบัติเพื่อให้สามารถทำงานได้ดีขึ้นสำหรับแอพพลิเคชันต่างๆเช่น Ursem และพารามิเตอร์ Ursem Vadstrup, 2003, การประมวลผลภาพ Falco et al 2006 และ Omran et al 2005 การจัดกลุ่มข้อมูล Paterlini และ Krink, 2005 การออกแบบ Babu and Munawar ที่เหมาะสมที่สุดในปี 2007 การจัดกำหนดการ Nearchou และ Omirou 2006 และการคาดการณ์การทำ Stock Market Rout et al 2011 ในเอกสารฉบับนี้ ในการตรวจสอบเชิงลึกได้รับการทำเพื่อคาดการณ์อัตราแลกเปลี่ยนต่างๆโดยใช้ ARMA แบบปรับเปลี่ยนเป็นสถาปัตยกรรมพื้นฐานและ DE เป็นเครื่องมือการฝึกอบรมสำหรับการอัพเดตพารามิเตอร์ของโมเดลอัลกอริธึม DE เกี่ยวข้องกับการคำนวณน้อยกว่าเมื่อเทียบกับอัลกอริทึม GA, CSO และ BFO นอกจากนี้ยังต้องใช้ทางเลือก ของสองพารามิเตอร์ซึ่งค่อนข้างง่ายต่อการตั้งค่าดังนั้นการปรับปรุงน้ำหนักของรูปแบบ ARMA โดย DE เป็นข้อได้เปรียบเมื่อเทียบกับที่ดำเนินการ โดยใช้วิธีการทางชีวภาพแบบอื่น ๆ สำหรับการเปรียบเทียบแบบจำลอง ARMA แบบปรับตัวได้รับการฝึกอบรมโดยใช้ FBLMS, PSO, BFO และ CSO อัลกอริธึมภายใต้เงื่อนไขเดียวกันเอกสารฉบับนี้ได้พัฒนารูปแบบการคาดการณ์ที่น่าสนใจสำหรับการทำนายอัตราแลกเปลี่ยนโดยใช้โครงสร้าง ARMA แบบปรับตัวแบบ DE เพื่อแสดงให้เห็นถึงประสิทธิภาพในการทำนายอัตราแลกเปลี่ยนที่ดีขึ้นเมื่อเทียบกับ FBLMS แบบเดิมรวมไปถึงเครื่องมือที่ใช้ประโยชน์ทางชีวภาพเช่น PSO, BFO และแบบจำลองการคาดการณ์ของ CSO ส่วนที่เหลือจัดทำขึ้นดังต่อไปนี้ส่วนที่ 1 เกี่ยวข้องกับการทบทวนวรรณกรรมการกำหนดปัญหาการวิจัยและ แรงจูงใจที่อยู่เบื้องหลังการทำงานที่เสนอรูปแบบการพยากรณ์ ARMA แบบปรับตัวได้รับการพัฒนาในส่วนที่ 2 การแนะนำวิวัฒนาการที่แตกต่างเป็นอัลกอริทึมการฝึกอบรมจะได้รับการจัดการในส่วนที่ 3 รูปแบบการคาดการณ์ ARMA ที่ปรับตาม DE ได้รับการออกแบบในส่วนที่ 4 การออกแบบข้อมูลอินพุตในชีวิตจริง ของแบบจำลองและรายละเอียดของการจำลองสถานการณ์ได้แสดงไว้ในส่วนที่ 5 สำหรับการประเมิน ความสามารถในการทำงานของโมเดลใหม่ผลการดำเนินงานเปรียบเทียบกับผลการดำเนินงานของ FBLMS, BFO และ CSO ขั้นตอนสุดท้ายบทสรุปของบทความนี้ถูกนำมาใช้ในส่วนที่ 6.2 รูปแบบการคาดการณ์ ARMA แบบถดถอยแบบถอยถ้วนแบบอัตโนมัติแบบปรับตัวแบบ Adaptive ARMA แบบปรับตัวเพื่อทำนาย ของชุดเวลาทางการเงินโดยเฉพาะอย่างยิ่งการคาดการณ์อัตราแลกเปลี่ยนต่างๆจะแสดงในรูปที่ 1 ในสามขั้นตอนขั้นตอนแรกของการพัฒนาคือระยะการฝึกอบรมที่พารามิเตอร์รูปแบบของ ARMA ได้รับการฝึกอบรมโดยใช้ขั้นตอนวิธีการเพิ่มประสิทธิภาพ Differential Evolution DE ตามรายละเอียดของกลยุทธ์การฝึกอบรมมี ถูกแสดงไว้ในรูปที่ 1 a รูปแบบการทำนาย ARMA ประกอบด้วยชุดตัวช่วยเชิงเส้นแบบ feed-forward และ feed-back ส่วนทางด้าน feed-forward ทำหน้าที่เป็นค่าเฉลี่ยเคลื่อนที่หรือสูงกว่าศูนย์ขณะส่วนข้อเสนอแนะทำหน้าที่เป็น AR แบบอัตโน้มน้าวหรือทุกขั้ว เครือข่ายดังนั้นรูปแบบ ARMA มีทั้งฟีดไปข้างหน้าและค่าสัมประสิทธิ์การตอบรับซึ่งจำเป็นต้องได้รับการฝึกอบรมอย่างเหมาะสมโดยใช้ความเหมาะสม ขั้นตอนการเรียนรู้แบบปกติในการฝึกอบรมแบบจำลองการปรับตัวข้อมูลดิบแบบเวลาจะถูกนำมาใช้โดยตรงเป็นอินพุทในโมเดลในหลาย ๆ กรณีข้อมูลดิบใช้เวลามากในการฝึกแบบจำลองเนื่องจากมีข้อมูลซ้ำซ้อนในข้อมูล จะไม่เกิดขึ้นเมื่อข้อมูลดิบถูกใช้เป็นข้อมูลป้อนเข้าและด้วยเหตุนี้ประสิทธิภาพการคาดการณ์จะไม่ดีรูปที่ 1 ขั้นตอนของการพัฒนาแบบจำลองการคาดการณ์ของ ARMA สำหรับการคาดการณ์ชุดเวลาเพื่อลดปัญหาเหล่านี้จะดึงข้อมูลจากชุดข้อมูลทางการเงินและใช้เป็นข้อมูลป้อนเข้า รูปแบบ ARMA เพิ่มเติมอัตราแลกเปลี่ยนในอนาคตไม่เพียง แต่ขึ้นอยู่กับคุณสมบัติของข้อมูลที่ผ่านมา แต่ยังเกี่ยวกับค่าที่คาดการณ์ที่ผ่านมาดังนั้นรูปแบบ feed-forward และ feed-back เช่น ARMA ได้รับเลือกให้เป็นเครือข่ายที่ต้องการซึ่งมีคุณสมบัติดังกล่าว จำนวนความล่าช้าด้านอาหารกลับถูกเลือกอย่างเหมาะสมเพื่อให้ได้ผลการทำนายที่ดีที่สุดตัวอย่างการฝึกอบรมจะถูกเลือกจากช่วงเวลาที่ผ่านมา ขึ้นอยู่กับจำนวนวันข้างหน้าอัตราแลกเปลี่ยนที่จะคาดการณ์อัตราแลกเปลี่ยนที่คาดการณ์จะถูกเปรียบเทียบกับตัวอย่างการฝึกอบรมเพื่อสร้างข้อผิดพลาดหรือค่าที่ไม่ตรงกันการป้อนข้อมูลไปข้างหน้าและพารามิเตอร์ฟีดกลับจะได้รับการอัปเดตตามกฎการเรียนรู้ที่เหมาะสมซึ่งในไม่กี่ iterations ฟังก์ชันค่าใช้จ่ายซึ่งเป็นค่าเฉลี่ยของสแควร์ในกรณีนี้ค่อยๆลดลงและบรรลุค่าน้อยที่สุดกฎการเรียนรู้ที่หลากหลายได้รับรายงานในวรรณคดีเหล่านี้สามารถจำแนกได้กว้างออกเป็นสองประเภท derivative และ derivative ฟรีอนุพันธ์ชั้นเรียนของขั้นตอนวิธีการเรียนรู้ เช่นเดียวกับ FBLMS Widrow และ Strearns, 1985 Majhi and Panda, 2009 มีข้อเสียของการถูกขังอยู่ในสารละลายในประเทศ Minima ในขั้นตอนวิธีการเรียนรู้ขั้นตอนการวิวัฒนาการขั้นสูงหลายอย่างเช่นอัลกอริทึมทางพันธุกรรม GA วิวัฒนาการที่แตกต่างกัน DE ฯลฯ ได้รับการรายงานและกว้างขวาง ใช้สำหรับการเพิ่มประสิทธิภาพวัตถุประสงค์เดียวและหลายวัตถุประสงค์ออกจากชั้นเรียนของวิวัฒนาการ c อัลกอริทึม omputing, DE ได้รับเลือกเพราะมันเป็นเรื่องง่าย แต่มีประสิทธิภาพและเป็นคอมพิวเตอร์ที่เร็วกว่า GA แบบจำลองการทำนาย ARMA ถือเป็นเครื่องมือเพิ่มประสิทธิภาพแบบปรับตัวซึ่งมีค่าสัมประสิทธิ์ฟีด - ดิ่งและฟีดแบ็คที่เหมาะสม squared error ของโมเดลจากนั้น DE จะถูกใช้เป็นเครื่องมือเพิ่มประสิทธิภาพที่มีประสิทธิภาพเพื่อลดข้อผิดพลาดของค่าความผิดพลาดเป็นค่าเฉลี่ยที่น้อยที่สุดหลังจากการฝึกอบรมเสร็จสิ้นแล้วน้ำหนักจะถูกตรึงค่าสุดท้ายของพวกเขาและโมเดล ARMA ของ DE จะพร้อมสำหรับการคาดการณ์ในอนาคต แต่ก่อนที่จะใช้เป็นตัวบ่งชี้อัตราแลกเปลี่ยนผลการดำเนินงานจะได้รับการตรวจสอบตามรูปที่ 1 ขใช้เป็นปัจจัยการผลิตของอัตราแลกเปลี่ยนเดิมที่เหลืออีก 20 อัตรา แบบจำลองทำนายอัตราแลกเปลี่ยนในอนาคตเนื่องจากข้อมูลเหล่านี้เป็นข้อมูลที่ผ่านมาอัตราแลกเปลี่ยนที่ต้องการจึงเป็นที่ทราบกันดีอยู่แล้วดังนั้นเปอร์เซ็นต์ของข้อผิดพลาดจะได้รับในกรณีที่ Fina ป้อนข้อมูล lly เพื่อให้มีการเปรียบเทียบประสิทธิภาพการทำนายของโมเดลต่างๆอย่างสม่ำเสมออัตราร้อยละเฉลี่ยของค่าเฉลี่ยของข้อผิดพลาด MAPE คำนวณ MAPE ของรูปแบบการทำนายถูกคำนวณตาม MAPE เป็นตัวบ่งชี้ที่เป็นธรรมของรูปแบบพยากรณ์เมื่อนักออกแบบพอใจกับ รูปที่ 1 c ข้อได้เปรียบของรูปแบบการทำนายแบบปรับตัวคือความยืดหยุ่นของมันด้วยความพยายามเพียงเล็กน้อยรูปแบบเดียวกันนี้สามารถฝึกให้ทำนายอัตราแลกเปลี่ยนที่แตกต่างกันได้ as well as can be used for predicting exchange rate values for different days in future This can be achieved by providing suitable input or desired values to the model during the training phase.2 1 Actual ARMA model used for exchange rate prediction. In the previous subsection the basis of selection of the adaptive model and the evolutionary learning rules are discussed Further it has dealt with the phases invol ved in achieving the final prediction model In this subsection the details of the actual prediction model employed in this paper is dealt. The block diagram of an adaptive ARMA based prediction model is shown in Fig 2 The model is an adaptive pole-zero structure and is described by the recursive difference equation given in 1.where x n and y n represent the n th input pattern and output of the model respectively The current estimated output y n depends on the past estimated output samples y n m , m 1, 2 N 1 and the features x n m of the current financial input The coefficients a m n , b m n are adjusted using some learning rules until the appropriate model is developed d n is the desired or target financial value The pole and zero parameters of the ARMA model are a m and b m respectively Referring to Fig 2 the predicted output, y n is given by. The output error is computed as e n d n y n and is generated by subtracting the model output in 1 from the true value, d n The weights of the ARM A model are updated iteratively using some learning algorithm to minimize the squared error value The minimization process leads to optimum weights of the ARMA based prediction model The feed forward and backward weights of the ARMA model are usually updated by the FBLMS algorithm given by 10 The aggregate coefficient vector is given as. The corresponding data vector is represented as. The output of the ARMA model at the n th iteration is. Finally the forward backward LMS FBLMS update algorithm is given by. This update algorithm very often leads to non-optimum solution of weights Hence in this paper, population based DE is employed to overcome this difficulty in proper training of the ARMA model To compare the prediction performance of the proposed model particle swarm optimization PSO , bacterial foraging optimization BFO and cat swarm optimization CSO algorithms based training schemes have been employed and the corresponding results have been obtained through simulation In the next secti on a brief overview of DE is presented. Figure 2 Adaptive ARMA based prediction model.3 Introduction to differential evolution. Differential evolution DE Storn and Price, 1995 is a population based stochastic meta-heuristic global optimization tool in continuous domains Due to its simplicity, effectiveness and robustness, the DE has been successfully applied for solving complex optimization problems arising in different practical applications A population in DE consists of P vectors represented as , where G is the number of generations To keep the population within some bounds it is randomly initialized from a uniform distribution between the lower and the upper bounds defined for respective variables These bounds are problem dependent The possible solutions known as target vectors are represented with D - dimensional vectors as. The initial population is changed in each generation using sub-processes such as mutation, crossover and selection operators In a simple DE algorithm mutant vecto r for every target vector is computed as. where F is a mutation control parameter with its value between 0 and 2 and r 1 r 2 and r 3 are randomly chosen numbers within the population size After mutation, the crossover operator generates a trial vector, using 6.where j dim ension number 1, 2 D rand j a random number between 0 and 1 rn j a randomly chosen index from 1, 2 D and CR the crossover constant between 0 and 1.Differential evolution uses a greedy selection operator as. where is the fitness value of the trial vector and fitness value of the target vector. The number of generations is continued until the cost function almost remains constant and decreases further.4 Development of DE based ARMA forecasting model. This section deals with the designing of DE based ARMA forecasting model The ARMA model is constructed by considering it as a DE based optimization model in which the mean square error is minimized Since ARMA model has a feedback path, it has a tendency to become unstable duri ng training by conventional method However, the DE based training overcomes this difficulty The stepwise DE based weight update rule proceeds as follows. The target vectors of DE are assumed to be the weights of the ARMA model Let there be M target vectors each with D dimensions Each time one vector is used as the initial value of the pole zero parameters of the model. The prediction model is fed with K input patterns successively Each pattern has three independent values i e the mean, variance and actual exchange rate value corresponding to a month. Each input component of input pattern is weighted with the zero-parameters, b m n to provide the output of the feed forward path The output of the model, y n is delayed, weighted with the pole parameters, a m n and added with the output of the feed forward path to give the final output of the ARMA model. Each output, y n is compared with the target value, d n to give error value, e n In this way after the application of all patterns K number o f errors is obtained. The fitness function which is the mean of squared error MSE of the pole-zero prediction model corresponding to n th target vector is calculated using 15.The steps 2 5 are repeated for all target vectors and M numbers of MSE are generated This completes one experiment and the Mean of MSE MMSE is calculated and used as the cost function to be optimized. The elements of the target vector are then changed following mutation, crossover and selection processes as described in the previous section. At the end of each generation the mean of MSE MMSE and the corresponding target vector are chosen The relation between the number of generations and the MMSE is plotted to show the training characteristics of the model. When the MMSE reaches the possible minimum value the training process is stopped. The pole-zero parameters attained after training represent the coefficients of the ARMA based prediction model.5 Simulation study. For simulation purpose real life data of three differe nt exchange rates, Indian Rupees, British Pound and Japanese Yen have been collected for the period of 1-1-1973 1-10-2005, 1-1-1971 1-1-2005 and 1-1-1971 1-1-2005, respectively from the website The data show the average of daily figures noon buying rates in New York City on the 1st day of each month The numbers of data are 393, 418 and 418 for Rupees, Pound and Yen, respectively Each set of data is normalized to lie between 0 and 1 by dividing each value of a set by the maximum value of the corresponding set An initial window of size 12 containing the present and previous 11 data is used The normalized value of 12th number data, the mean and variance of each group of 12 data are calculated and used as first input pattern of features Subsequently the sliding window is shifted by one position to extract the second input pattern A window size of 12 is chosen as it provides the best performance in the simulation experiment This process is then repeated until all features are extracted In t his way a total of 382 feature patterns for Rupees and 407 patterns for each of Pound and Yen are extracted Out of these patterns 80 are used for the training purpose and the remaining are used for validation of the model The ARMA prediction model shown in Fig 2 is used for simulation to assess its prediction performance. The target vectors are initialized as the random numbers lie between 0 and 1 Since each input pattern has three features the number of weights of MA part is three The number of weights of AR part is also taken as three after various trials as this combination provides the best possible prediction results Each target vector of DE based ARMA has a total of six dimensions and its population size is 30 The other simulation parameters used for DE, PSO, BFO and CSO algorithms are given in Table 1 The convergence coefficient used in the FBLMS model is set at 0 05.Table 1 Value of different parameters of algorithms used in simulation. Population size 30 F 0 9 CR 0 9 Max Iterati ons 500Ensample average 10.Population size 30 c 1 1 042 c 2 1 042 Inertia weight, w linearly decreases between 0 9 and 0 4 v max 1 Max Iterations 500 Ensample average 10.Population size 8 16 Probability of elimination dispersion 0 25 Run length unit 0 0075 Swimming length 3 No of chemotactic loops 5 No of reproduction loops 100 140 No of elimination-dispersion loops 5 Max Iterations 500 Ensample average 10.Population size 30 Seeking memory pool SMP 5 Seeking range of selected dimension SRD 0 2 Counts of dimensions to change CDC 0 8 Mixture ratio MR 0 1 c 1 2 0 v max 3 0 Inertia weight, w linearly decreases between 0 9 and 0 4 Max Iterations 500 Ensample average 10.The training patterns are applied in sequence as input to the ARMA model, the corresponding outputs are obtained from the model and the resulting error values are recorded The weights of the model are updated using the DE rule described in Section 4 until the minimum MMSE is reached The MMSE obtained from all the four evoluti onary computing based models are given in Table 4 Table 7 and Table 10 for rupees, pound and yen exchange rates, respectively for 1, 3, 6, 9, 12 and 15 months ahead prediction Figure 3a and Figure 3b show the convergence characteristics of ARMA-FBLMS forecasting models for rupees and pound exchange rate prediction for 12 months ahead respectively The identical convergence characteristics for ARMA-DE model are depicted in Figure 4a and Figure 4b From these plots it is observed that the FBLMS based training model shows divergence of the mean square error Thus such model cannot be used for the purpose of exchange rate prediction On the other hand the proposed DE training based ARMA prediction model exhibits excellent and fast convergence characteristics even for 12 months ahead prediction To assess the training behavior of the ARMA-DE model, the matching performance is obtained during simulation and is plotted in Figure 5a Figure 5b and Figure 5c for rupees, pound and yen exchange rates, respectively Excellent agreement is observed in both cases even for 12 months ahead prediction After the MMSE reached its prefixed minimum value the training process is stopped and the test patterns are then applied for the validation of the ARMA prediction model The performance of the model is evaluated by calculating few performance measures such as the Mean average percentage error MAPE and Root mean square error RMSE These are defined as. where A n actual exchange rate, P n predicted exchange rate and N No of patterns applied for validation. Figure 3a Convergence characteristics of ARMA-LMS for Rupees Exchange rate for 12 months ahead prediction. Figure 3b Convergence characteristics of ARMA-LMS for Pound Exchange rate for 12 months ahead prediction. Figure 4a Convergence characteristics of ARMA-DE for Rupees Exchange rate for 12 months ahead prediction. Figure 4b Convergence characteristics of ARMA-DE for Pound Exchange rate for 12 months ahead prediction. Figure 5a Comparison of actual and predicted values of Rupees exchange rate for 12 months ahead prediction using ARMA-DE during training. Figure 5b Comparison of actual and predicted values of Pound exchange rate for 12 months ahead prediction using ARMA-DE during training. Figure 5c Comparison of actual and predicted values of Yen exchange rate for 12 months ahead prediction using ARMA-DE during trainingparison of the MAPE value of ARMA-DE and ARMA-LMS models for different exchange rates for various months ahead predictions is given in Table 2 Comparison of the MAPE and RMSE of different models using derivative free algorithms for various months ahead predictions is given in Table 3 Table 6 and Table 9 for rupees, pound and yen respectively The comparison of computation times is also presented in Table 5 Table 8 and Table 11 respectively From these tables it is observed that the proposed DE-ARMA model outperforms all other models based on PSO, BFO and CSO algorithms. Table 2 Comparison of MAPE value of different exch ange rates between ARMA-LMS and ARMA-DE. Some critical observations on the simulation results are presented to assess the efficiency of DE-ARMA based exchange rate predictor Results obtained from four different models for test data for rupee, pound and yen are shown in Figure 6 Figure 7 and Figure 8 indicate that the DE based predictors offer more accurate exchange rates compared to that of others Further the proposed model predicts better exchange rates of rupees and pound compared to that of yen Therefore to achieve improved performance of yen exchange rate alternative features need to be extracted from the time series and then applied to the model Analyzing Table 3 Table 4 Table 5 Table 6 Table 7 Table 8 Table 9 Table 10 and Table 11 it is observed that in terms of all three measures the DE-ARMA shows a superior performance compared to those achieved by other three models Thus considering all aspects the exchange rate prediction models can be ranked in sequence as ARMA-DE, ARMA-CSO, ARMA-BFO and ARMA-PSO Another interesting observation marked is on the computational time required for the training of various models The results presented in Table 5 Table 8 and Table 11 show that the proposed DE based ARMA takes the least time for training followed by ARMA-PSO, ARMA-BFO and finally ARMA-CSO Thus through various simulation studies it is demonstrated that the proposed ARMA-DE combination based prediction model outperforms all other similar hybrid models studied in this paper. Figure 6 Comparison of actual and predicted values for dollar to rupees exchange rates for 3 months ahead prediction during testing. Figure 7 Comparison of actual and predicted values for dollar to pound exchange rates for 9 months ahead prediction during testing. Figure 8 Comparison of actual and predicted values for dollar to yen exchange rates for 6 months ahead prediction during testing.6 Conclusion. The paper has developed an efficient exchange rate prediction scheme using an ARMA structure and D E based adaptive parameter update strategy The prediction performance of rupees, yen and pound exchange rates with respect to US dollar of the new model has been evaluated It is shown that the proposed model offers the best performance for predicting exchange rates compared to those offered by other three similar models studied The FBLMS based model is observed to show worst prediction performance as the corresponding weight update mechanism is unstable and results in divergent learning characteristics To further enhance the forecasting performance, particularly for a long range prediction it is suggested to use other additional hidden features of the financial time series as input to the model as well as to explore the use of other promising adaptive models To enable satisfactory prediction when abrupt fluctuations of exchange rate take place due to political turmoil of a country, natural hazards or such unforeseen reasons, more in-depth investigation is required in terms of selection of features, model and learning algorithm Our future study will focus on these critical issues in developing the prediction models. Forecasting with vector ARMA and state space methods. International Journal of Forecasting Volume 7 1991 pp 17 30.Anastasakis and Mort, 2009.L Anastasakis N Mort. Exchange rate forecasting using a combined parametric and nonparametric self-organising modelling approach. Expert systems with applications Volume 36 2009 pp 12001 12011.Andrawis et al 2011.Robert R Andrawis Amir F Atiyaa Hisham El-Shishinybination of long term and short term forecasts with application to tourism demand forecasting. International Journal of Forecasting Volume 27 2011 pp 870 886.Babu and Munawar, 2007.B V Babu S A Munawar. Differential evolution strategies for optimal design of shell-and-tube heat exchangers. Chemical Engineering Science Volume 62 Issue 14 2007 pp 2739 3720.Boudjellaba et al 1994.Hafida Boudjellaba Jean-Marie Dufour Roth Roy. Simplified conditions for noncausality betwe en vectors in multivariate ARMA models. Journal of Econometrics Volume 63 1994 pp 271 287.Box and Jenkins, 1976.G E P Box G M Jenkins. Time Series Analysis Forecasting and Control.1976 Holden-Day Inc San Francisco. Chattopadhyay et al 2011.Surajit Chattopadhyay Deepak Jhajharia Goutami Chattopadhyay. Trend estimation and univariate forecast of the sunspot numbers development and comparison of ARMA, ARIMA and autoregressive neural network modelsptes Rendus Geoscience Volume 343 2011 pp 433 442.Chen et al 1995.Jiann-Fuh Chen Wei-Ming Wang Chao-Ming Huang. Analysis of an adaptive time series auto regressive moving average ARMA model for short term load forecasting. Electric Power Systems Research Volume 34 1995 pp 187 196.Chib and Greenberg, 1994.S Chib E Greenberg. Bays inference in regression models with ARMA p, q errors. Journal of Econometrics Volume 64 1994 pp 183 206.Fong-Lin Chu. A fractionally integrated autoregressive moving average approach to forecasting tourism demand. Tourism Managemen t Volume 29 2008 pp 79 88.Fong-Lin Chu. Forecasting tourism demand with ARMA-based methods. Tourism Management Volume 30 2009 pp 740 751.Chu and Tsai, 2007.S C Chu P W Tsaiputational intelligence based on the behavior of cats. International Journal of Innovative Computing, Information and Control Volume 3 2007 pp 163 173.Cuaresma et al 2004.Jess Crespo Cuaresma Jaroslava Hlouskova Stephan Kossmeier Michael Obersteiner. Forecasting electricity spot-prices using linear univariate time-series models. Applied Energy Volume 77 2004 pp 87 106.da Silva, 2008.Carlos Gomes da Silva. Time series forecasting with a non-linear model and the scatter search meta-heuristic. Information Sciences Volume 178 2008 pp 3288 3299.Erdem and Shi, 2011.Ergin Erdem Jing Shi. ARMA based approaches for forecasting the tuple of wind speed and direction. Applied Energy Volume 88 2011 pp 1405 1414.Falco et al 2006.Falco, I De, Cioppa, A Della and Tarantino, A 2006 Automatic classification of hand segmented image parts with d ifferential evolution In Rothlauf F et al Eds , Evo Workshops, LNCS 3907, pp 403-414.Flores et al 2012.Juan J Flores Mario Graff Hector Rodriguez. Evolutive design of ARMA and ANN models for time series forecasting. Renewable Energy Volume 44 2012 pp 225 230.Fung and Chung, 1999.Eric H K Fung Allison P L Chung. Using ARMA models to forecast work piece roundness error in a turning operation. Applied Mathematical Modelling Volume 23 1999 pp 567 585.Kennedy et al 2001.J Kennedy R C Eberhart Y Shi. Swarm Intelligence.2001 Morgan Kaufmann Publishers, San Francisco. Wavelet regression model for short term stream flow forecasting. Journal of Hydrology Volume 389 2010 pp 344 353.Koutroumanidis et al 2009.T Koutroumanidis G Sylaios E Zafeiriou V A Tsihrintzis. Genetic modelling for the optimal forecasting of hydrologic time series application in Nestos river. Journal of Hydrology Volume 368 2009 pp 156 164.Lees and Matheson, 2007.K Lees T Matheson. Mind your ps and qs improving ARMA forecasts with RBC pr iors. Economics Letter Volume 96 2007 pp 275 281.Liu et al 2011.Zhi-guo Liu Zeng-jie Cai Xiao-ming Tan. Forecasting research of Aero-engine rotate speed signal based on ARMA model. Procedia Engineering Volume 15 2011 pp 115 121.Majhi and Panda, 2009.B Majhi G Panda. Identification of IIR systems using comprehensive learning particle swarm optimization. International Journal of Power and Energy Conversion Volume 1 Issue 1 2009 pp 105 124.Majhi et al 2009a. Majhi, R Majhi, B Rout, M Mishra, S Panda, G 2009 Efficient sales forecasting using ARMA-PSO model In Proc of IEEE International Conference on Nature and Biologically Inspired, Computing, pp 1333 1337.Majhi et al 2009b. R Majhi G Panda G Sahoo. Efficient prediction of exchange rates with low complexity artificial neural network models. Expert systems with applications Volume 36 2009 pp 181 189.McDonald, 1989.James B McDonald. Partially adaptive estimation of ARMA time series models. International Journal of Forecasting Volume 5 1989 pp 217 230.M ohammadi et al 2006.K Mohammadi H R Eslami R Kahawita. Parameter estimation of ARMA model for river flow forecasting using goal programming. Journal of Hydrology Volume 331 2006 pp 293 299.Nearchou and Omirou, 2006.A C Nearchou S L Omirou. Differential evolution for sequencing and scheduling optimization. Journal of Heuristics Volume 12 2006 pp 395 411.Nowicka-Zagrajek and Weron, 2000.J Nowicka-Zagrajek R Weron. Modeling electricity loads in California ARMA models with hyperbolic noise. Signal Processing Volume 82 2000 pp 1903 1915.Omran et al 2005.M G H Omran A P Engelbrecht A Salman. Differential evolution methods for unsupervised image classification. Proceedings of IEEE Congress on Evolutionary Computation Volume 2 2005 pp 966 973.Pai et al 2010.P Pai S Chen C Huang Y Chang. Analysing foreign exchange rates by rough set theory and directed acyclic graph support vector machines. Expert systems with applications Volume 37 2010 pp 5993 5998.Pappas et al 2008.S S P Pappas L Ekonomou Karamousanta s G E Chatzarakis S K Katsikas P Liatsis. Electricity demand loads modeling using autoregressive moving average ARMA models. Energy Volume 33 2008 pp 1353 1360.Passino, 2002.Biomimicry of bacterial foraging for distributed optimization and control. IEEE control system magazine Volume 22 Issue 3 2002 pp 52 67.Paterlini and Krink, 2005.S Paterlini T Krink. Differential evolution and particle swarm optimization in partitional clusteringputational Statistics Data Analysis Volume 50 Issue 5 2005 pp 1220 1247.Pham and Yang, 2010.Hong Thom Pham Bo-Suk Yang. Estimation and forecasting of machine health condition using ARMA GARCH model. Mechanical Systems and Signal Processing Volume 24 2010 pp 546 558.Pham et al 2010.Hong Thom Pham Van Tung Tran Bo-Suk Yang. A hybrid of nonlinear autoregressive model with exogenous input and autoregressive moving average model for long-term machine state forecasting. Expert Systems with Applications Volume 37 2010 pp 3310 3317.Popescu and Demetriu, 1990.T H D Popescu S Demetriu. Analysis and simulation of strong earthquake ground motions using ARMA models. Automatica Volume 26 Issue 4 1990 pp 721 737.Poskitt, 2003.On the specification of co-integrated autoregressive moving-average forecasting systems. Journal of Forecasting Volume 19 2003 pp 503 519.Bonnie K Ray. Long range forecasting of IBM product revenues using a seasonal fractionally differenced ARMA model. International Journal of Forecasting Volume 9 1993 pp 255 269.Rojasa et al 2008.I Rojasa O Valenzuelab F Rojasa A Guillena L J Herreraa H Pomaresa L Marquezb M Pasadas. Soft-computing techniques and ARMA model for time series prediction. Neurocomputing Volume 71 2008 pp 519 537.Rout et al 2011.Rout, M Majhi, B Majhi, R Panda, G 2011 Novel stock market prediction using a hybrid model of adaptive linear combiner and differential evolution In Proceeding of 2nd International Conference on Recent Trends in Information, Telecommunication and Computing, pp 187 191 partial autocorrelation. Stoica, 1984.Uni queness of estimated K-step prediction models of ARMA processes. Systems and Control Letters Volume 4 1984 pp 325 331.Storn and Price, 1995.R Storn K Price. Differential Evolution A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces.1995 International Computer Science Institute, Berkeley TR-95 012.Taylor, 2006.James W Taylor. Density forecasting for the efficient balancing of the generation and consumption of electricity. International Journal of Forecasting Volume 22 2006 pp 707 724.Ursem and Vadstrup, 2003.K Ursem P Vadstrup. Parameter identification of induction motors using differential evolution. Proceedings of IEEE Congress on Evolutionary Computation Volume 2 2003 pp 790 796.Voyant et al 2012.Cyril Voyant Marc Muselli Christophe Paoli Marie-Laure Nivet. Numerical weather prediction NWP and hybrid ARMA ANN model to predict global radiation. Energy Volume 39 2012 pp 341 355.Widrow and Strearns, 1985.B Widrow S D Strearns. Adaptive Signal Processing.1985 Eng lewood Cliffs, NJ, NJ, Prentice-Hall. Wu and Chan, 2011.Ji Wu Chee Keong Chan. Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN. Solar Energy Volume 85 2011 pp 808 817.Xiong and Yeung, 2004.Yimin Xiong Dit-Yan Yeung. Time series clustering with ARMA mixtures. Pattern Recognition Volume 37 2004 pp 1675 1689.Yu et al 2005.L Yu S Wang K K Lai. A novel nonlinear ensemble forecasting model incorporating GLAR and ANN for foreign exchange ratesputers Operations Research Volume 32 2005 pp 2523 2541.Zhang and Wan, 2007.Y Zhang X Wan. Statistical fuzzy interval neural networks for currency exchange rate time series prediction. Applied Soft Computing Volume 7 2007 pp 1149 1156.Zhou and Hu, 2008.Zhi-Jie Zhou Chang-Hua Hu. An effective hybrid approach based on grey and ARMA for forecasting gyro drift. Chaos, Solitons and Fractals Volume 35 2008 pp 525 529.Peer review under responsibility of King Saud University. Corresponding author at Dept of Automatic Control and Systems Engi neering, The University of Sheffield, UK Mobile 44 7778380647 91 9437048906 Cell fax 91 674 2306203.Copyright 2013 Production and hosting by Elsevier B V. Open access funded by King Saud University. Citing articles.