У "Случајној шетњи Валл Стреетом" (1973), Буртон Малкиел је сугерисао: "Мајмун завезаних очију који баца пикадо на новине на финансијским страницама може изабрати портфељ који би био добар као и онај пажљиво изабран од стране стручњака." Иако еволуција можда човека није учинила интелигентнијим у прикупљању залиха, теорија Цхарлеса Дарвина показала се прилично ефикасном ако се примени директније.
ТУТОРИЈАЛ: Стратегије сакупљања залиха
Шта су генетски алгоритми?
Генетски алгоритми (ГА) су методе решавања проблема (или хеуристике) које опонашају процес природне еволуције. За разлику од вештачких неуронских мрежа (АНН), дизајнираних да функционишу попут неурона у мозгу, ови алгоритми користе концепте природне селекције да би одредили најбоље решење проблема. Као резултат, ГА се обично користе као оптимизатори који подешавају параметре да би умањили или максимизирали неку меру повратне информације, која се затим може користити самостално или у изради АНН-а. (Да бисте сазнали више о АНН-има, погледајте: Неуралне мреже: Прогноза профита .)
На финансијским тржиштима се генетски алгоритми најчешће користе како би се пронашле најбоље комбинационе вредности параметара у трговачком правилу, и могу се уградити у АНН моделе дизајниране за одабир акција и идентификацију обрта. Неколико студија показало је ефикасност ових метода, укључујући „Генетски алгоритми: Генеза процене залиха“ (2004) и „Примене генетских алгоритама у оптимизацији података о рударству података на берзи“ (2004). (За више информација погледајте: Како се стварају алгоритми трговања .)
Шта су генетски алгоритми?
Како раде генетски алгоритми
Генетски алгоритми се стварају математички користећи векторе, што су количине које имају правац и јачину. Параметри за свако трговачко правило представљени су једнодимензионалним вектором који се може генетски посматрати као хромозом. У међувремену, вредности које се користе у сваком параметру могу се сматрати генима, који се затим модификују природном селекцијом.
На пример, правило трговања може да укључује употребу параметара као што су дивергенција покретне просечне конвергенције (МАЦД), експоненцијални покретни просек (ЕМА) и стохастике. Генетски алгоритам би затим унео вредности у ове параметре са циљем максимизирања нето добити. Временом се уводе мале промене, а оне које дају пожељан утицај задржавају се за следећу генерацију.
Постоје три врсте генетских операција које се могу извести:
- Укрштања представљају репродукцију и цроссовер који се виђа у биологији, при чему дете поприма одређене карактеристике својих родитеља. Мутације представљају биолошку мутацију и користе се за одржавање генетске разноликости од једне генерације до друге увођењем насумичних малих промена. стадијуму у којем се појединачни геноми бирају из популације за каснији узгој (рекомбинација или цроссовер).
Ове три операције се затим користе у процесу у пет корака:
- Иницирајте случајну популацију, где је сваки хромозом н- дужина, а н је број параметара. Односно, утврђује се случајни број параметара са по н елемената. Изаберите хромозоме или параметре који повећавају пожељне резултате (вероватно нето профит). Примените мутацијске или цроссовер операторе на одабране родитеље и створите потомство. Комбинујте потомство и тренутна популација да би се формирала нова популација са оператором за одабир. Поновите кораке два до четири.
Временом ће овај процес резултирати све повољнијим хромозомима (или параметрима) за употребу у трговачком правилу. Процес се затим прекида када су испуњени критерији заустављања, који могу укључивати време трчања, кондицију, број генерација или друге критеријуме.
Употреба генетских алгоритама у трговању
Док генетске алгоритме првенствено користе институционални квантитативни трговци, појединачни трговци могу искористити моћ генетских алгоритама - без степена напредне математике - користећи неколико софтверских пакета на тржишту. Ова решења се крећу од самосталних софтверских пакета усмерених ка финансијским тржиштима до додатака Мицрософт Екцел који могу олакшати више практичне анализе.
Када користе ове апликације, трговци могу дефинисати скуп параметара који се затим оптимизују помоћу генетског алгоритма и скупа историјских података. Неке апликације могу оптимизирати који се параметри користе и које вредности су за њих, док су друге првенствено фокусиране на једноставну оптимизацију вредности за дати скуп параметара. (Да бисте сазнали више о овим стратегијама изведеним у програму, погледајте: Снага програмских обрта .)
Уклапање криве (прекомерно уклапање), односно дизајнирање система трговања око историјских података, а не идентификовање понашања које се може поновити, представља потенцијални ризик за трговце који користе генетске алгоритме. Сваки систем трговања који користи ГА-е треба претходно тестирати на папиру пре употребе уживо.
Одабир параметара важан је дио процеса, а трговци требају тражити параметре који су у корелацији с промјенама у цијени одређеног вриједносног папира. На пример, испробајте различите индикаторе да бисте видели има ли неки корелацију са главним заокретима на тржишту. (За више информација погледајте: Одабир правог софтвера за алгоритам трговања .)
Доња граница
Генетски алгоритми су јединствени начини за решавање сложених проблема коришћењем природе природе. Примјеном ових метода у предвиђању сигурносних цијена, трговци могу оптимизирати правила трговања идентифицирајући најбоље вриједности које ће се користити за сваки параметар за дату сигурност. Међутим, ови алгоритми нису Свети Грал, а трговци би требали бити опрезни да бирају исправне параметре и не одговарају кривуљи. (За додатно читање погледајте: Како шифрирати сопствени рого трговину Алго .)
