Verwendung von genetischen Algorithmen zur Prognose Finanzmärkte Laden des Spielers. Burton schlug in seinem Buch, Random Walk Down Wall Street, (1973) vor, dass ein mit verbundenen Augen Affe werfen Darts auf einer Zeitung Finanzseiten konnte ein Portfolio, das genau so gut wie ein sorgfältig ausgewählt von Experten wählen könnte. Während die Evolution den Menschen nicht intelligenter zum Sammeln von Beständen gemacht hat, hat die Charles Darwins-Theorie ziemlich effektiv, wenn sie direkt angewandt wird. (Um zu helfen, wählen Sie Bestände, lesen Sie heraus, wie man eine Bestände auswählen.) Was sind genetische Algorithmen Genetische Algorithmen (GAs) sind Problemlösungsmethoden (oder Heuristiken), die den Prozess der natürlichen Evolution imitieren. Anders als künstliche neuronale Netze (ANNs), entworfen, um wie Neuronen im Gehirn zu funktionieren, nutzen diese Algorithmen die Konzepte der natürlichen Selektion, um die beste Lösung für ein Problem zu bestimmen. Als Ergebnis werden GAs häufig als Optimierer verwendet, die Parameter anpassen, um ein Rückkopplungsmaß zu minimieren oder zu maximieren, das dann unabhängig oder im Aufbau eines ANN verwendet werden kann. An den Finanzmärkten. Genetische Algorithmen werden am häufigsten verwendet, um die besten Kombinationen von Parametern in einer Handelsregel zu finden, und sie können in ANN-Modelle gebaut werden, um Bestände zu identifizieren und Trades zu identifizieren. Mehrere Studien haben gezeigt, dass sich diese Methoden als wirksam erweisen können, einschließlich genetischer Algorithmen: Genesis of Stock Evaluation (2004) von Rama und The Applications of Genetic Algorithms von Lin, Cao, Wang, Zhang. (Um mehr über ANN zu erfahren, siehe Neuronale Netze: Forecasting Profits.) Wie genetische Algorithmen arbeiten Genetische Algorithmen werden mathematisch unter Verwendung von Vektoren erzeugt, die Größen sind, die Richtung und Größe haben. Parameter für jede Handelsregel werden mit einem eindimensionalen Vektor dargestellt, der als ein Chromosom in genetischer Hinsicht gedacht werden kann. Inzwischen können die Werte, die in jedem Parameter verwendet werden, als Gene angesehen werden, die dann unter Verwendung einer natürlichen Selektion modifiziert werden. Beispielsweise kann eine Handelsregel die Verwendung von Parametern wie Moving Average Convergence-Divergence (MACD) beinhalten. Exponential Moving Average (EMA) und Stochastik. Ein genetischer Algorithmus würde dann Werte in diese Parameter mit dem Ziel der Maximierung des Nettogewinns. Im Laufe der Zeit werden kleine Veränderungen eingeführt, und diejenigen, die eine wünschenswerte Wirkung bewirken, bleiben für die nächste Generation erhalten. Es gibt drei Arten von genetischen Operationen, die dann durchgeführt werden können: Crossovers repräsentieren die Reproduktion und biologische Crossover in der Biologie gesehen, wobei ein Kind bestimmte Eigenschaften seiner Eltern übernimmt. Mutationen stellen die biologische Mutation dar und werden verwendet, um die genetische Diversität von einer Generation einer Population zur nächsten durch Einführung zufälliger kleiner Veränderungen zu erhalten. Selektionen sind die Stufe, in der einzelne Genome aus einer Population für die spätere Züchtung (Rekombination oder Crossover) ausgewählt werden. Diese drei Operatoren werden dann in einem fünfstufigen Prozess verwendet: Initialisieren einer zufälligen Population, wobei jedes Chromosom n-Länge ist, wobei n die Anzahl der Parameter ist. Das heißt, eine Zufallszahl von Parametern wird jeweils mit n Elementen hergestellt. Wählen Sie die Chromosomen, oder Parameter, die wünschenswerte Ergebnisse (vermutlich Nettogewinn) zu erhöhen. Anwenden von Mutations - oder Crossover-Operatoren auf die ausgewählten Eltern und Erzeugen eines Nachkommens. Rekombinieren Sie die Nachkommen und die aktuelle Bevölkerung, um eine neue Population mit dem Auswahloperator zu bilden. Wiederholen Sie die Schritte zwei bis vier. Im Laufe der Zeit führt dieses Verfahren zu immer günstigeren Chromosomen (oder Parametern) zur Verwendung in einer Handelsregel. Der Prozess wird dann beendet, wenn ein Stoppkriterium erfüllt ist, das Laufzeit, Fitness, Anzahl der Generationen oder andere Kriterien einschließen kann. (Für mehr auf MACD, lesen Sie Trading The MACD Divergence.) Verwenden genetischer Algorithmen im Handel Während genetische Algorithmen sind in erster Linie von institutionellen quantitative Händler verwendet. Einzelne Händler können die Macht der genetischen Algorithmen nutzen - ohne einen Abschluss in fortgeschrittene Mathematik - mit mehreren Software-Pakete auf dem Markt. Diese Lösungen reichen von eigenständigen Softwarepaketen, die auf die Finanzmärkte ausgerichtet sind, auf Microsoft Excel-Add-ons, die eine gründlichere Analyse ermöglichen. Wenn diese Anwendungen verwendet werden, können Händler einen Satz von Parametern definieren, die dann unter Verwendung eines genetischen Algorithmus und einer Menge von historischen Daten optimiert werden. Einige Anwendungen können optimieren, welche Parameter verwendet werden und die Werte für sie, während andere in erster Linie auf einfache Optimierung der Werte für einen bestimmten Satz von Parametern konzentriert. Wichtige Optimierungstipps und Tricks Kurvenanpassung (Overfitting), die Entwicklung eines Handelssystems um historische Daten, anstatt wiederholbares Verhalten zu identifizieren, stellt ein potentielles Risiko für Händler dar genetische Algorythmen. Jedes Handelssystem, das GAs verwendet, sollte auf dem Papier vor dem Live-Einsatz vorgetestet werden. Die Auswahl von Parametern ist ein wichtiger Teil des Prozesses, und Händler sollten nach Parametern suchen, die mit Änderungen des Preises einer bestimmten Sicherheit korrelieren. Zum Beispiel, probieren Sie verschiedene Indikatoren und sehen, ob alle scheinen, um mit großen Marktabschwüngen zu korrelieren. The Bottom Line Genetische Algorithmen sind einzigartige Wege, um komplexe Probleme zu lösen, indem man die Kraft der Natur nutzt. Durch die Anwendung dieser Methoden auf die Vorhersage der Wertpapiere Preise können Händler die Handelsregeln zu optimieren, indem die besten Werte für jeden Parameter für eine bestimmte Sicherheit zu verwenden. Allerdings sind diese Algorithmen nicht der Heilige Gral, und Händler sollten darauf achten, die richtigen Parameter zu wählen und nicht Kurve fit (über fit). (Lesen Sie mehr über den Markt, check out Listen to the Market, nicht seine Pundits.) Buchhaltung Methoden, die auf Steuern zu konzentrieren, anstatt das Aussehen der öffentlichen Finanzen. Steuerberatung wird geregelt. Der Boomer-Effekt bezieht sich auf den Einfluss, den der zwischen 1946 und 1964 geborene Generationscluster auf den meisten Märkten hat. Ein Anstieg der Preise für Aktien, die oft in der Woche zwischen Weihnachten und Neujahr039s Day auftritt. Es gibt zahlreiche Erklärungen. Ein Begriff verwendet von John Maynard Keynes verwendet in einem seiner Wirtschaftsbücher. In seiner 1936 erschienenen Publikation The General Theory of Employment. Ein Gesetz der Gesetzgebung, die eine große Anzahl von Reformen in U. S. Pensionspläne Gesetze und Vorschriften. Dieses Gesetz machte mehrere. Ein Maß für den aktiven Teil einer Volkswirtschaft. Die Erwerbsquote bezieht sich auf die Anzahl der Personen, die sind. Genetische Algorithmus in R 8211 Trend folgend Wäre StockFacebook werden. StrategieExponentiell Gleitender Durchschnitt. ParamA10. ParamB45. Die Strategieregeln sind einfach, wenn der gleitende Durchschnitt (lengthparamA) gt gleitender Durchschnitt (lengthparamB) dann lang wird und umgekehrt. Die Fitnessfunktion Ein Gen wird als gutes oder schlechtes Gen mit Hilfe einer Fitnessfunktion quantifiziert. Der Erfolg einer genetischen Trading-Strategie hängt stark von Ihrer Wahl der Fitness-Funktion und ob es sinnvoll mit den Strategien, die Sie verwenden möchten. Sie werden jede der Strategien handeln, die von Ihren aktiven Genen umrissen werden und dann sie durch ihre Eignung ordnen. Ein guter Ausgangspunkt wäre, das scharfe Verhältnis als Fitness-Funktion zu nutzen. Sie müssen darauf achten, dass Sie die Fitness-Funktion auf statistisch signifikante Daten anwenden. Zum Beispiel, wenn Sie eine mittlere Wiederherstellungsstrategie verwendet haben, die einmal monatlich handeln kann (oder was auch immer Ihr Umschulungsfenster ist), dann wird Ihre Fitness durch 1 oder 2 Datenpunkte bestimmt. Dies führt zu einer schlechten genetischen Optimierung (in meinem Code i8217ve kommentierte einen mittleren Reversion-Strategie-Test für sich selbst). In der Regel, was passiert, ist Ihre sharpe Verhältnis von 2 Datenpunkte sehr sehr hoch nur bis zum Glück. Sie markieren dies als ein gutes Gen und handeln es im nächsten Monat mit schrecklichen Ergebnissen. Züchtung Gene Mit einem genetischen Algo müssen Sie die Gene zu züchten, für den Rest dieses Post i8217ll davon ausgehen, dass Sie züchten einmal im Monat. Während der Zucht nehmen Sie alle Gene in Ihrem Genpool und ordnen sie entsprechend der Fitness-Funktion. Sie wählen dann die Top-N-Gene und züchten sie (verwerfen alle anderen Gene, die sie nicht verwenden). Zucht besteht aus zwei Teilen: Hybridisierung 8211 Nehmen Sie ein Gen und schneiden Sie ein Stück aus ihm heraus, können Sie verwenden, was Zufallszahlengenerator Sie die Schnittorte bestimmen möchten, tauschen Sie dieses Stück mit einem entsprechenden Stück von einem anderen Gen. Z. B. Altes Gen: 00 1100 10 und 11 1001 10 (rot sind die zufällig ausgewählten Bits zu schneiden) Neues Gen: 00 1001 10 und 11 1100 10 Sie tun dies für jedes mögliche Paar von Genen in Ihrer Top-N-Liste. Mutation 8211 Nach der Hybridisierung gehen Sie durch alle Ihre Gene und nach dem Zufallspiegeln der Bits mit einer festen Wahrscheinlichkeit. Die Mutation verhindert, dass Ihre Strategie in jedem schrumpfen Genpool gesperrt wird. Für eine ausführlichere Erklärung mit Diagrammen finden Sie unter: blog. equametrics / scroll down to Genetische Algorithmen und ihre Anwendung im Handel Annualisierte Sharpe Ratio (Rf0) 1,15
No comments:
Post a Comment