Bravo, Jorge Miguel VenturaOnorieru, Evans Akpo2026-02-202026-02-202026-02-06http://hdl.handle.net/10362/200527Dissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics, specialization in Data ScienceThis thesis investigates the application of Genetic Algorithms (GAs) to optimize technical indicator parameters in algorithmic trading, focusing on the Relative Strength Index (RSI) and Average Directional Index (ADX) within the Forex market. The central motivation is to address the limitations of static calibration methods, which often fail to adapt to the non stationary and structurally complex nature of financial markets. The GA was implemented in Python using the DEAP framework, with reproducibility ensured through fixed random seeds. Historical EUR/USD daily data from 2009–2019 was used for in sample optimization, while out of sample testing covered 2020–2023. The GA searched over RSI and ADX parameter ranges using tournament selection, blend crossover, and polynomial bounded mutation, with fitness defined by cumulative return and annualized Sharpe ratio. Empirical findings show that the GA converged on RSI(7) and ADX(7), achieving an in sample cumulative return of 18.73%, outperforming conventional benchmarks. However, out of sample testing revealed a negative cumulative return of –20.42% and poor risk adjusted performance, underscoring the challenge of generalization. Robustness tests produced mixed results: while performance was preserved under randomized data and weekly timeframes, profitability eroded under randomized trade order and across alternative currency pairs. Slippage and rolling window analyses further highlighted the sensitivity of the strategy to trading frictions and regime shifts. These results affirm the potential of GAs as a heuristic for navigating complex financial optimization problems but also emphasize the need for rigorous validation frameworks and adaptive retraining. Future research should extend this approach by incorporating alternative risk adjusted objectives, macroeconomic covariates, and multi objective evolutionary frameworks that balance profitability, risk, interpretability, and regulatory compliance.Esta tese investiga a aplicação de Algoritmos Genéticos (AGs) para otimizar parâmetros de indicadores técnicos na negociação algorítmica, com foco no Índice de Força Relativa (RSI) e no Índice Direcional Médio (ADX) no mercado Forex. A motivação central é abordar as limitações dos métodos de calibração estática, que muitas vezes não conseguem se adaptar à natureza não estacionária e estruturalmente complexa dos mercados financeiros. O GA foi implementado em Python usando a estrutura DEAP, com reprodutibilidade garantida por meio de sementes aleatórias fixas. Dados históricos diários do EUR/USD de 2009 a 2019 foram usados para otimização dentro da amostra, enquanto os testes fora da amostra cobriram 2020 a 2023. O GA pesquisou intervalos de parâmetros RSI e ADX usando seleção de torneio, cruzamento misto e mutação polinomial limitada, com aptidão definida pelo retorno acumulado e índice de Sharpe anualizado. Os resultados empíricos mostram que o GA convergiu para RSI(7) e ADX(7), alcançando um retorno acumulado na amostra de 18,73%, superando os benchmarks convencionais. No entanto, os testes fora da amostra revelaram um retorno cumulativo negativo de – 20,42% e um desempenho ajustado ao risco insatisfatório, ressaltando o desafio da generalização. Os testes de robustez produziram resultados mistos: enquanto o desempenho foi preservado sob dados aleatórios e prazos semanais, a rentabilidade foi prejudicada sob ordens de negociação aleatórias e em pares de moedas alternativos. As análises de slippage e janela móvel destacaram ainda mais a sensibilidade da estratégia às fricções de negociação e mudanças de regime. Estes resultados confirmam o potencial dos GAs como heurística para navegar problemas complexos de otimização financeira, mas também enfatizam a necessidade de estruturas de validação rigorosas e retreinamento adaptativo. Pesquisas futuras devem ampliar esta abordagem, incorporando objetivos alternativos ajustados ao risco, covariáveis macroeconómicas e estruturas evolutivas multiobjetivas que equilibrem rentabilidade, risco, interpretabilidade e conformidade regulatória.engGenetic Algorithm (GA)Average Directional Index (ADX)Relative Strength Index (RSI)Out-of-Sample (OOS)In-Sample (IS)Forex (FX)master thesis204223520