Korištenje genetskih algoritama za prognoziranje financijskih tržišta

U knjizi "Slučajna šetnja Wall Streetom" (1973), Burton Malkiel sugerirao je, "Majmun s povezom očiju koji baca pikado na novinske financijske stranice mogao bi odabrati portfelj koji bi bio dobar kao i onaj pažljivo izabran od strane stručnjaka." Iako evolucija možda čovjeka nije učinila inteligentnijim u prikupljanju zaliha, teorija Charlesa Darwina pokazala se prilično učinkovitom ako se primijeni izravnije.

TUTORIJAL: Strategije sakupljanja zaliha

Što su genetski algoritmi?

Genetski algoritmi (GA) su metode rješavanja problema (ili heuristike) koje oponašaju proces prirodne evolucije. Za razliku od umjetnih neuronskih mreža (ANN), dizajniranih tako da funkcioniraju poput neurona u mozgu, ovi algoritmi koriste koncepte prirodne selekcije kako bi odredili najbolje rješenje problema. Kao rezultat toga, GA-i se obično koriste kao optimizacijski uređaji koji podešavaju parametre kako bi se smanjila ili maksimalno povećala neka povratna mjera, koja se zatim može koristiti samostalno ili u izradi ANN-a. (Da biste saznali više o ANN-ima, pogledajte: Neuralne mreže: Prognoza profita .)

Na financijskim tržištima genetski se algoritmi najčešće koriste za pronalaženje najboljih kombinacijskih vrijednosti parametara u trgovačkom pravilu, a mogu se ugraditi u ANN modele dizajnirane za prikupljanje dionica i identifikaciju obrta. Nekoliko studija pokazalo je djelotvornost ovih metoda, uključujući "Genetski algoritmi: Geneza procjene zaliha" (2004) i "Primjene genetskih algoritama u optimizaciji podataka na burzi" (2004). (Više informacija potražite u: Kako se stvaraju algoritmi trgovanja .)

Što su genetski algoritmi?

Kako rade genetski algoritmi

Genetski algoritmi su stvoreni matematički pomoću vektora, a to su količine koje imaju smjer i veličinu. Parametri za svako trgovačko pravilo predstavljeni su jednodimenzionalnim vektorom koji se može genetski posmatrati kao kromosom. U međuvremenu, vrijednosti korištene u svakom parametru mogu se smatrati genima koji se potom mijenjaju prirodnim odabirom.

Na primjer, pravilo trgovanja može uključivati ​​upotrebu parametara poput pomične prosječne konvergencije (MACD), eksponencijalnog pomičnog prosjeka (EMA) i stohastike. Tada bi genetski algoritam unijeo vrijednosti u ove parametre s ciljem maksimiziranja neto dobiti. S vremenom se uvode male promjene, a one koje daju poželjan učinak zadržavaju se za sljedeću generaciju. (Vidi također: Osnove algoritma trgovanja .)

Postoje tri vrste genetskih operacija koje se mogu izvesti:

• Crossover predstavlja reprodukciju i crossover koji se viđa u biologiji, pri čemu dijete poprima određene karakteristike svojih roditelja.
• Mutacije predstavljaju biološku mutaciju i koriste se za održavanje genetske raznolikosti od jedne generacije do druge uvodeći nasumične male promjene.
• Selekcije su faza u kojoj se pojedini genomi biraju iz populacije za kasniji uzgoj (rekombinacija ili crossover).

Te se tri operacije upotrebljavaju u procesu u pet koraka:

1. Inicijalizirajte slučajnu populaciju, gdje je svaki kromosom n- dužina, a n je broj parametara. Odnosno, uspostavlja se nasumični broj parametara s po n elemenata.
2. Odaberite kromosome ili parametre koji povećavaju poželjne rezultate (vjerojatno pretpostavljena neto dobit).
3. Primijenite mutacijske ili crossover operatere na odabrane roditelje i stvorite potomstvo.
4. Prekomponirajte potomstvo i trenutnu populaciju kako biste s operatorom odabira stvorili novu populaciju.
5. Ponovite korake dva do četiri.

S vremenom će ovaj proces rezultirati sve povoljnijim kromosomima (ili parametrima) za upotrebu u pravilima trgovanja. Proces se tada zaustavlja kada su zadovoljeni kriteriji zaustavljanja, koji mogu uključivati ​​vrijeme trčanja, kondiciju, broj generacija ili druge kriterije.

Korištenje genetskih algoritama u trgovanju

Dok genetske algoritme primarno koriste institucionalni kvantitativni trgovci, pojedinačni trgovci mogu iskoristiti snagu genetskih algoritama - bez stupnja napredne matematike - koristeći nekoliko softverskih paketa na tržištu. Ova rješenja se kreću od samostalnih softverskih paketa usmjerenih prema financijskim tržištima do dodataka Microsoft Excel koji mogu olakšati više praktične analize.

Kada koriste ove aplikacije, trgovci mogu definirati skup parametara koji se zatim optimiziraju pomoću genetskog algoritma i skupa povijesnih podataka. Neke aplikacije mogu optimizirati koji se parametri koriste i koje su vrijednosti za njih, dok su druge uglavnom usmjerene na jednostavno optimiziranje vrijednosti za zadani skup parametara. (Da biste saznali više o ovim strategijama izvedenim u programu, pogledajte: Snaga programskih obrta .)

Usklađivanje krivulje (prekomjerno uklapanje) ili oblikovanje trgovinskog sustava oko povijesnih podataka, a ne identificiranje ponašajućeg ponašanja, predstavlja potencijalni rizik za trgovce koji koriste genetske algoritme. Svaki trgovački sustav koji koristi GA-e treba biti testiran na papiru prije upotrebe uživo.

Odabir parametara važan je dio postupka, a trgovci trebaju tražiti parametre koji su u skladu s promjenama u cijeni određenog vrijednosnog papira. Na primjer, isprobajte različite pokazatelje kako biste vidjeli ima li neki korelacija s glavnim zaokretima na tržištu. (Više informacija potražite u odjeljku: Odabir pravog softvera za algoritam trgovanja .)

Donja linija

Genetski algoritmi jedinstven su način rješavanja složenih problema koristeći prirodnu snagu. Primjenom ovih metoda u predviđanju sigurnosnih cijena, trgovci mogu optimizirati pravila trgovanja identificirajući najbolje vrijednosti koje će se koristiti za svaki parametar za datu sigurnost. Međutim, ovi algoritmi nisu Sveti Gral, a trgovci trebaju biti oprezni da odaberu ispravne parametre i ne odgovaraju krivulji. (Za dodatno čitanje potražite: Kako šifrirati vlastiti rogo trgovinu Algo .)