1. 引言
外匯市場24小時運作，波動性高，價格變動顯著。交易員成日因為價格走勢難以預測同埋蝕錢風險而頭痛。呢個研究提出一個基於模糊邏輯嘅交易機械人，用嚟強化常見嘅技術策略，特別係用RSI、CCI同隨機指標，提高交易準確度同盈利能力。
2. 目錄
3. 方法
呢個系統用一個模糊Mamdani推理系統取代咗每個指標（RSI、CCI、隨機指標）嘅經典閾值。輸出結果透過投票機制結合，產生買入/賣出信號。
3.1 模糊Mamdani系統設計
每個指標都用歸屬函數（例如：低、中、高）進行模糊化。規則庫根據呢啲模糊集嘅組合定義交易動作。例如，如果RSI係低，CCI係低，咁信號就係強力買入。
3.2 指標模糊化
RSI映射到模糊集：超賣（0-30）、中性（30-70）、超買（70-100）。CCI用類似嘅範圍，而隨機指標嘅%K同%D就模糊化為低、中、高區域。
3.3 投票機制
每個模糊系統輸出一個信號（買入、賣出、持有）。最終動作由多數投票決定。呢個做法減少咗假信號，提高咗系統嘅穩健性。
4. 實驗結果
呢個模糊機械人用過去12個月嘅歷史外匯數據（歐元/美元、英鎊/美元）進行測試。表現同三種經典方法比較：（1）標準RSI、（2）標準CCI、（3）標準隨機指標。
4.1 盈利能力因子比較
模糊機械人嘅盈利能力因子達到2.45，相比之下，RSI係1.78，CCI係1.65，隨機指標係1.92。比起最好嘅經典方法，改善咗27%。
4.2 淨利潤同回撤分析
淨利潤比起經典方法嘅平均值增加咗35%。最大回撤降低到12%，而經典RSI係18%，經典CCI係22%。
5. 技術細節
模糊推理系統用以下數學公式計算信號強度 $S$：
$S = \frac{\sum_{i=1}^{n} w_i \cdot \mu_i}{\sum_{i=1}^{n} w_i}$
其中 $w_i$ 係規則權重，$\mu_i$ 係歸屬度。去模糊化使用重心法。
6. 案例研究：交易信號生成
假設一個情景：RSI = 25（超賣），CCI = -120（超賣），隨機指標 %K = 15（低）。模糊系統輸出：RSI模糊 = 強力買入，CCI模糊 = 強力買入，隨機指標模糊 = 買入。投票結果係強力買入信號。呢個做法避免咗經典方法出現信號矛盾嘅問題。
7. 未來方向
未來嘅工作可以整合能夠從市場波動中學習嘅自適應模糊系統，加入新聞情感分析，或者用深度強化學習嚟優化規則權重。呢個系統亦都可以擴展到加密貨幣市場。
8. 原始分析
核心見解：呢篇論文展示咗模糊邏輯可以透過處理市場不確定性，顯著強化經典技術指標，令盈利能力因子提升27%。投票機制減少咗假信號，呢個係剛性閾值系統常見嘅缺點。
邏輯流程：作者由市場波動嘅問題出發，為每個指標提出一個模糊Mamdani系統，透過投票結合輸出，然後同經典方法驗證。流程合理，但欠缺嚴謹嘅統計測試（例如夏普比率、蒙地卡羅模擬）。
優點同缺點：優點包括方法清晰同有實際改善。缺點：研究只用到三個指標同一個貨幣對；有可能出現過度擬合。論文冇討論交易成本或者滑點，呢啲可能會蠶食利潤。正如Goodfellow等人（2016）喺《Deep Learning》入面指出，過度依賴歷史模式可能會喺非平穩市場中導致泛化能力差。
可行嘅見解：交易員應該考慮用混合模糊-經典系統嚟做入場信號。不過，佢哋必須喺多種市場狀態（趨勢、區間、波動）下進行回測，並且加入風險管理（例如止蝕、倉位管理）。模糊方法有潛力，但唔係萬能藥。
9. 參考文獻
- M. Shabani, A. Nasiri, and H. Nafardi, "Forex Trading Robot Using Fuzzy Logic," 2023.
- J. J. Murphy, Technical Analysis of the Financial Markets, New York Institute of Finance, 1999.
- L. A. Zadeh, "Fuzzy sets," Information and Control, vol. 8, no. 3, pp. 338–353, 1965.
- I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, MIT Press, 2016.
- J. S. R. Jang, "ANFIS: adaptive-network-based fuzzy inference system," IEEE Trans. Syst., Man, Cybern., vol. 23, no. 3, pp. 665–685, 1993.