Genetinių algoritmų naudojimas finansinėms rinkoms prognozuoti

Burtonas Malkielis „Atsitiktiniame pasivaikščiojime Wall Street“ (1973 m.) Pasiūlė: „Užrištomis akimis beždžionė, metanti smiginį į laikraščio finansinius puslapius, galėtų pasirinkti tokį portfelį, kuris veiktų lygiai taip pat gerai, kaip ir kruopščiai atrinktų ekspertų“. Nors evoliucija galėjo padaryti žmogų ne intelektualesnį renkant atsargas, tačiau Charleso Darwino teorija pasirodė esanti gana efektyvi, kai taikoma tiesiogiai.

PAMOKA: akcijų rinkimo strategijos

Kas yra genetiniai algoritmai?

Genetiniai algoritmai (GA) yra problemų sprendimo metodai (arba euristika), imituojantys natūralios evoliucijos procesą. Skirtingai nuo dirbtinių neuroninių tinklų (ANNs), skirtų veikti kaip smegenų neuronai, šie algoritmai naudoja natūraliosios atrankos sąvokas, kad nustatytų geriausią problemos sprendimą. Dėl to GA dažniausiai naudojami kaip optimizatoriai, koreguojantys parametrus, siekiant sumažinti ar maksimaliai padidinti grįžtamąjį ryšį, kuris vėliau gali būti naudojamas atskirai arba statant ANN. (Norėdami sužinoti daugiau apie ANNS, skaitykite: „ Neuroniniai tinklai: pelno prognozavimas“ .)

Finansų rinkose genetiniai algoritmai dažniausiai naudojami norint rasti geriausias prekybos taisyklių parametrų vertes, ir juos galima integruoti į ANN modelius, skirtus rinkti akcijas ir identifikuoti sandorius. Keli tyrimai įrodė šių metodų veiksmingumą, įskaitant „Genetiniai algoritmai: vertybinių popierių įvertinimo genezė“ (2004 m.) Ir „Genetinių algoritmų taikymas vertybinių popierių rinkos duomenų gavybos optimizavimui“ (2004 m.). (Norėdami sužinoti daugiau, žiūrėkite: Kaip kuriami prekybos algoritmai .)

Kas yra genetiniai algoritmai?

Kaip veikia genetiniai algoritmai

Genetiniai algoritmai yra kuriami matematiškai, naudojant vektorius, kurie yra kryptys ir dydis. Kiekvienos prekybos taisyklės parametrai pavaizduoti vieno matmens vektoriu, kuris genetine prasme gali būti laikomas chromosoma. Tuo tarpu kiekvieno parametro vertės gali būti laikomos genais, kurie vėliau modifikuojami naudojant natūralią atranką.

Pavyzdžiui, prekybos taisyklėje gali būti naudojami tokie parametrai kaip slenkamasis vidutinis konvergencijos divergencija (MACD), eksponentinis slenkamasis vidurkis (EMA) ir stochastika. Tada genetinis algoritmas įveda vertes į šiuos parametrus, siekdamas kuo didesnio grynojo pelno. Laikui bėgant buvo įvesta nedidelių pakeitimų, o tie, kurie daro norimą poveikį, paliekami kitai kartai. (Taip pat žiūrėkite: Algoritminės prekybos pagrindai .)

Yra trys genetinių operacijų tipai, kuriuos vėliau galima atlikti:

• Crossovers reprezentuoja reprodukciją ir kryžminimą, matomą biologijoje, kai vaikas įgauna tam tikras savo tėvų savybes.
• Mutacijos atspindi biologinę mutaciją ir yra naudojamos genetinei įvairovei palaikyti iš vienos populiacijos kartos į kitą, atliekant atsitiktinius mažus pokyčius.
• Atranka yra etapas, kai atskiri genomai yra parenkami iš populiacijos vėlesniam veisimui (rekombinacijai ar kryžminimui).

Tada šios trys operacijos naudojamos penkių žingsnių procese:

1. Inicijuokite atsitiktinę populiaciją, kurioje kiekviena chromosoma yra n ilgio, o n yra parametrų skaičius. Tai yra, atsitiktinis parametrų skaičius nustatomas su kiekvienu n elementu.
2. Pasirinkite chromosomas arba parametrus, kurie padidina norimus rezultatus (tikėtina, kad grynasis pelnas).
3. Pasirinktiems tėvams pritaikykite mutacijos ar kryžminimo operacijas ir generuokite palikuonis.
4. Suderinkite palikuonis ir esamą populiaciją, kad su atrankos operatoriumi sudarytumėte naują populiaciją.
5. Pakartokite nuo dviejų iki keturių žingsnių.

Laikui bėgant šis procesas lems vis palankesnes chromosomas (arba parametrus), skirtas naudoti prekybos taisyklėje. Tada procesas nutraukiamas, kai įvykdomi sustabdymo kriterijai, kurie gali apimti bėgimo laiką, tinkamumą, kartų skaičių ar kitus kriterijus.

Genetinių algoritmų naudojimas prekyboje

Nors genetinius algoritmus pirmiausia naudoja instituciniai kiekybiniai prekybininkai, individualūs prekybininkai gali panaudoti genetinių algoritmų galią - neturėdami aukštesnio lygio matematikos laipsnio - naudodamiesi keliais rinkoje esančiais programinės įrangos paketais. Šie sprendimai apima nuo atskirų finansų rinkų programinės įrangos paketų iki „Microsoft Excel“ priedų, kurie gali palengvinti praktinę analizę.

Naudodamiesi šiomis programomis prekybininkai gali apibrėžti parametrų rinkinį, kuris vėliau optimizuojamas naudojant genetinį algoritmą ir istorinių duomenų rinkinį. Kai kurios programos gali optimizuoti naudojamus parametrus ir jų vertes, tuo tarpu kitos programos yra orientuotos tiesiog į tam tikro parametrų rinkinio verčių optimizavimą. (Norėdami sužinoti daugiau apie šias iš strategijų išvestas strategijas, skaitykite: Programų mainų galia .)

Kreivės pritaikymas (perteklinis pritaikymas) arba prekybos sistemos planavimas atsižvelgiant į istorinius duomenis, o ne nustatant pakartojamą elgesį, reiškia potencialią prekybininkų riziką naudojant genetinius algoritmus. Bet kuri prekybos sistema, naudojanti GA, turėtų būti iš anksto patikrinta popieriuje prieš tiesioginį naudojimą.

Parametrų pasirinkimas yra svarbi proceso dalis, o prekybininkai turėtų ieškoti parametrų, kurie yra susiję su tam tikro vertybinio popieriaus kainos pokyčiais. Pvz., Išbandykite įvairius rodiklius, kad pamatytumėte, ar jie koreliuoja su pagrindiniais rinkos pokyčiais. (Norėdami sužinoti daugiau, žiūrėkite: Tinkamos algoritminės prekybos programinės įrangos pasirinkimas .)

Esmė

Genetiniai algoritmai yra unikalūs būdai išspręsti sudėtingas problemas panaudojant gamtos galią. Taikydami šiuos metodus numatydami vertybinių popierių kainas, prekybininkai gali optimizuoti prekybos taisykles, nustatydami geriausias kiekvieno parametro vertes, naudojamas tam tikram vertybiniam popieriui. Tačiau šie algoritmai nėra Šventasis Gralis, todėl prekybininkai turėtų būti atsargūs pasirinkdami tinkamus parametrus, o ne kreivę. (Norėdami sužinoti daugiau, skaitykite: Kaip užkoduoti savo „Algo“ prekybos robotą .)