У «Випадковому прогулці на Уолл-стріт» (1973) Бертон Малкіель припустив: «Мавпа із зав'язаними очима, що кидає стрілочки на фінансових сторінках газети, може вибрати портфоліо, яке було б так само добре, як і ретельно підібране експертами». Хоча еволюція, можливо, зробила людину не більш розумною у виборі запасів, теорія Чарльза Дарвіна виявилася досить ефективною, якщо застосовуватись більш прямо.
Навчальний посібник: Стратегії вибору запасів
Що таке генетичні алгоритми?
Генетичні алгоритми (ГА) - це методи вирішення проблем (або евристика), що імітують процес природної еволюції. На відміну від штучних нейронних мереж (ANN), розроблених таким чином, щоб функціонувати як нейрони в мозку, ці алгоритми використовують концепції природного відбору для визначення найкращого рішення проблеми. Як результат, GA зазвичай використовуються як оптимізатори, які регулюють параметри, щоб мінімізувати або максимізувати деякий показник зворотного зв’язку, який потім може бути використаний незалежно або при побудові ANN. (Щоб дізнатися більше про ANN, див. Нейронні мережі: прогнозування прибутку .)
На фінансових ринках генетичні алгоритми найчастіше використовуються для пошуку найкращих комбінованих значень параметрів у торговому правилі, і вони можуть бути вбудовані в моделі ANN, призначені для вибору акцій та ідентифікації торгів. Кілька досліджень продемонстрували ефективність цих методів, включаючи "Генетичні алгоритми: генеза оцінки запасів" (2004) та "Застосування генетичних алгоритмів в оптимізації видобутку даних про фондовий ринок" (2004). (Докладніше дивіться у розділі: Як створюються торгові алгоритми .)
Що таке генетичні алгоритми?
Як працюють генетичні алгоритми
Генетичні алгоритми створюються математично за допомогою векторів, які є величинами, які мають напрямок та величину. Параметри для кожного правила торгівлі представлені одновимірним вектором, який можна розглядати як хромосому в генетичному плані. Тим часом, значення, використані в кожному параметрі, можна розглядати як гени, які потім змінюються за допомогою природного відбору.
Наприклад, торгове правило може передбачати використання таких параметрів, як ковзний середній розбіжність конвергенції (MACD), експоненціальна ковзаюча середня (EMA) та стохастика. Потім генетичний алгоритм вводить значення в ці параметри з метою максимізації чистого прибутку. З часом вносяться невеликі зміни, і ті, що роблять бажаний вплив, зберігаються для наступного покоління.
Існують три типи генетичних операцій, які можна виконати:
- Кросовери представляють репродукцію та кросовер, що спостерігаються в біології, завдяки чому дитина набуває певних характеристик своїх батьків. Мутації представляють біологічну мутацію і використовуються для підтримки генетичного різноманіття від одного покоління населення до іншого шляхом введення випадкових невеликих змін. стадія, на якій окремі геноми вибираються з популяції для подальшого розмноження (рекомбінація або схрещування).
Ці три операції потім використовуються в п’ятиступенковому процесі:
- Ініціалізуйте випадкову сукупність, де кожна хромосома n- довжина, при цьому n є числом параметрів. Тобто, встановлюється випадкова кількість параметрів з по n елементами кожна. Виберіть хромосоми або параметри, які збільшують бажані результати (імовірно, чистий прибуток). Застосуйте мутації або оператори кросовера до вибраних батьків та генерують потомство. Об'єднайте потомство та поточне населення для формування нової сукупності з оператором відбору. Повторіть кроки два-чотири.
З часом цей процес призведе до все більш сприятливих хромосом (або параметрів) для використання в торговому правилі. Потім процес припиняється, коли виконуються критерії зупинки, які можуть включати час роботи, придатність, кількість поколінь або інші критерії.
Використання генетичних алгоритмів у торгівлі
Хоча генетичні алгоритми в основному використовуються інституційними кількісними трейдерами, окремі торговці можуть використовувати силу генетичних алгоритмів - без ступеня передової математики - за допомогою декількох програмних пакетів на ринку. Ці рішення варіюються від автономних програмних пакетів, орієнтованих на фінансові ринки, до додатків Microsoft Excel, які можуть полегшити більш практичний аналіз.
Використовуючи ці програми, торговці можуть визначити набір параметрів, які потім оптимізуються за допомогою генетичного алгоритму та набору історичних даних. Деякі програми можуть оптимізувати, які параметри використовуються та значення для них, а інші орієнтовані насамперед на просто оптимізацію значень для заданого набору параметрів. (Щоб дізнатися більше про ці стратегії, отримані програмою, див.: Сила торгових програм .)
Крива підгонка (переозброєння) або проектування торгової системи навколо історичних даних, а не визначення повторюваної поведінки, представляє потенційний ризик для торговців, що використовують генетичні алгоритми. Будь-яка торгова система, що використовує GA, повинна бути перевірена на папері перед використанням в реальному часі.
Вибір параметрів є важливою частиною процесу, і торговці повинні шукати параметри, які співвідносяться зі зміною ціни певного цінного папера. Наприклад, спробуйте різні показники, щоб дізнатись, чи не здається, що вони співвідносяться з основними ринковими поворотами. (Докладніше див.: Підбір правильного алгоритмічного програмного забезпечення для торгівлі .)
Суть
Генетичні алгоритми - це унікальні способи вирішення складних проблем, використовуючи силу природи. Застосовуючи ці методи для прогнозування цін на безпеку, торговці можуть оптимізувати правила торгівлі, визначаючи найкращі значення, що використовуються для кожного параметра для даної цінного паперу. Однак ці алгоритми не є Святим Граалом, і торговці повинні бути обережними, щоб вибрати правильні параметри і не підходити до кривих. (Для додаткового читання ознайомтесь: Як кодувати власного робота Algo Trading .)
