Brug af genetiske algoritmer til at forudsige finansielle markeder

I "A Random Walk Down Wall Street" (1973) foreslog Burton Malkiel, "En blindfoldet abe, der kaster dart på en avis finansielle sider, kunne vælge en portefølje, der ville gøre lige så godt som en omhyggeligt valgt af eksperter." Mens evolution muligvis har gjort mennesket ikke mere intelligent til at udvælge lagre, har Charles Darwins teori vist sig at være ret effektiv, når den anvendes mere direkte.

TUTORIAL: Stock-picking strategier

Hvad er genetiske algoritmer?

Genetiske algoritmer (GA'er) er problemløsningsmetoder (eller heuristikker), der efterligner processen med naturlig evolution. I modsætning til kunstige neurale netværk (ANN'er), designet til at fungere som neuroner i hjernen, bruger disse algoritmer begreberne naturlig selektion til at bestemme den bedste løsning til et problem. Som et resultat bruges GA'er almindeligvis som optimizers, der justerer parametre for at minimere eller maksimere et eller andet feedbackmål, som derefter kan bruges uafhængigt eller i konstruktionen af ​​et ANN. (Se: Neurale netværk: Prognosevinst for at lære mere om ANN'er).

På de finansielle markeder bruges genetiske algoritmer oftest til at finde de bedste kombinationsværdier af parametre i en handelsregel, og de kan indbygges i ANN-modeller designet til at vælge aktier og identificere handler. Flere undersøgelser har vist effektiviteten af ​​disse metoder, herunder "Genetic Algorithms: Genesis of Stock Evaluation" (2004) og "The Applications of Genetic Algorithms in Stock Market Data Mining Optimization" (2004). (Se mere: Hvordan handelsalgoritmer oprettes for mere).

Hvad er genetiske algoritmer?

Sådan fungerer genetiske algoritmer

Genetiske algoritmer oprettes matematisk ved hjælp af vektorer, som er mængder, der har retning og størrelse. Parametre for hver handelsregel er repræsenteret med en en-dimensionel vektor, der kan betragtes som et kromosom i genetiske termer. I mellemtiden kan de anvendte værdier i hver parameter betragtes som gener, der derefter ændres ved hjælp af naturlig selektion.

For eksempel kan en handelsregel involvere brug af parametre som bevægende gennemsnitskonvergensdivergens (MACD), et eksponentielt glidende gennemsnit (EMA) og stokastik. En genetisk algoritme vil derefter indlæse værdier i disse parametre med målet om at maksimere nettoresultatet. Over tid introduceres små ændringer, og de, der har en ønskelig indflydelse, bevares for den næste generation. (Se også: Grundlæggende om algoritmisk handel .)

Der er tre typer genetiske operationer, der derefter kan udføres:

• Crossovers repræsenterer reproduktion og crossover set i biologien, hvorved et barn påtager sig visse egenskaber ved sine forældre.
• Mutationer repræsenterer biologisk mutation og bruges til at opretholde genetisk mangfoldighed fra en generation af en befolkning til den næste ved at indføre tilfældige små ændringer.
• Selektioner er det stadium, hvor individuelle genomer vælges blandt en population til senere avl (rekombination eller crossover).

Disse tre operationer bruges derefter i en fem-trins proces:

1. Initialiser en tilfældig population, hvor hvert kromosom er n- længde, hvor n er antallet af parametre. Det vil sige, et tilfældigt antal parametre etableres med n elementer hver.
2. Vælg kromosomer eller parametre, der øger ønskelige resultater (formentlig nettoresultat).
3. Anvend mutations- eller crossover-operatører på de valgte forældre og generer et afkom.
4. Rekombiner afkom og den aktuelle befolkning for at danne en ny population med udvælgelsesoperatøren.
5. Gentag trin to til fire.

Over tid vil denne proces resultere i stadig mere fordelagtige kromosomer (eller parametre) til brug i en handelsregel. Processen afsluttes derefter, når stopkriterierne er opfyldt, hvilket kan omfatte køretid, kondition, antal generationer eller andre kriterier.

Brug af genetiske algoritmer i handel

Mens genetiske algoritmer primært bruges af institutionelle kvantitative forhandlere, kan individuelle forhandlere udnytte kraften i genetiske algoritmer - uden en grad i avanceret matematik - ved hjælp af flere softwarepakker på markedet. Disse løsninger spænder fra uafhængige softwarepakker rettet mod de finansielle markeder til Microsoft Excel-tilføjelser, der kan lette mere praktisk analyse.

Ved brug af disse applikationer kan forhandlere definere et sæt parametre, der derefter optimeres ved hjælp af en genetisk algoritme og et sæt historiske data. Nogle applikationer kan optimere, hvilke parametre der bruges og værdierne for dem, mens andre primært fokuserer på blot at optimere værdierne for et givet sæt parametre. (Se: Kraften ved programhandler for at lære mere om disse program-afledte strategier.)

Kurvetilpasning (overfitting), eller designe et handelssystem omkring historiske data snarere end at identificere gentagbar adfærd, repræsenterer en potentiel risiko for handlende, der bruger genetiske algoritmer. Ethvert handelssystem, der bruger GA'er, skal testes fremad på papir, før live brug.

Valg af parametre er en vigtig del af processen, og forhandlere bør opsøge parametre, der korrelerer med ændringer i prisen for en given sikkerhed. Prøv f.eks. Forskellige indikatorer for at se, om der ser ud til, at der er sammenhæng med større markedssving. (Se mere: Valg af den rigtige algoritmiske handelssoftware .)

Bundlinjen

Genetiske algoritmer er unikke måder at løse komplekse problemer ved at udnytte kraften i naturen. Ved at anvende disse metoder til at forudsige sikkerhedspriser kan forhandlere optimere handelsreglerne ved at identificere de bedste værdier, der skal bruges til hver parameter for en given sikkerhed. Imidlertid er disse algoritmer ikke den hellige gral, og de handlende skal passe på at vælge de rigtige parametre og ikke kurvepasningen. (For yderligere læsning, se: Sådan kode du din egen algo-handelsrobot .)