Bruke genetiske algoritmer for å spå finansielle markeder

I "A Random Walk Down Wall Street" (1973) antydet Burton Malkiel, "En bind for øynene som kaster dart på en avis økonomiske sider kunne velge en portefølje som ville gjort like godt som en nøye valgt av eksperter." Selv om evolusjonen kan ha gjort mennesket ikke mer intelligent når det gjelder å plukke ut aksjer, har Charles Darwins teori vist seg å være ganske effektiv når den brukes mer direkte.

TUTORIAL: Stock-Picking Strategies

Hva er genetiske algoritmer?

Genetiske algoritmer (GAs) er problemløsningsmetoder (eller heuristikker) som etterligner prosessen med naturlig evolusjon. I motsetning til kunstige nevrale nettverk (ANN-er), designet for å fungere som nevroner i hjernen, bruker disse algoritmene begrepene naturlig seleksjon for å bestemme den beste løsningen på et problem. Som et resultat blir GAs ofte brukt som optimalisatorer som justerer parametere for å minimere eller maksimere et visst tilbakemeldingsmål, som deretter kan brukes uavhengig eller i konstruksjon av et ANN. (Hvis du vil lære mer om ANN-er, se: Nevrale nettverk: Prognosevinst .)

I finansmarkedene brukes genetiske algoritmer oftest for å finne de beste kombinasjonsverdiene av parametere i en handelsregel, og de kan bygges inn i ANN-modeller designet for å velge aksjer og identifisere handler. Flere studier har vist effektiviteten av disse metodene, inkludert "Genetic Algorithms: Genesis of Stock Evaluation" (2004) og "The Applications of Genetic Algorithms in Stock Market Data Mining Optimization" (2004). (For mer, se: Hvordan handelsalgoritmer opprettes .)

Hva er genetiske algoritmer?

Hvordan genetiske algoritmer fungerer

Genetiske algoritmer lages matematisk ved hjelp av vektorer, som er mengder som har retning og styrke. Parametere for hver handelsregel er representert med en endimensjonal vektor som kan tenkes å være et kromosom i genetiske termer. I mellomtiden kan verdiene som brukes i hver parameter betraktes som gener, som deretter modifiseres ved hjelp av naturlig seleksjon.

For eksempel kan en handelsregel innebære bruk av parametere som glidende gjennomsnittlig konvergensdivergens (MACD), et eksponentielt glidende gjennomsnitt (EMA) og stokastikk. En genetisk algoritme vil da legge inn verdier i disse parametrene med målet om å maksimere nettoresultatet. Over tid blir små endringer introdusert, og de som gir en ønskelig innvirkning beholdes for neste generasjon. (Se også: Grunnleggende om algoritmisk handel .)

Det er tre typer genetiske operasjoner som deretter kan utføres:

• Crossovers representerer reproduksjon og crossover sett i biologien, der et barn tar på seg visse egenskaper hos foreldrene.
• Mutasjoner representerer biologisk mutasjon og brukes til å opprettholde genetisk mangfold fra en generasjon av befolkningen til den neste ved å innføre tilfeldige små endringer.
• Seleksjoner er det stadiet der individuelle genom velges fra en populasjon for senere avl (rekombinasjon eller crossover).

Disse tre operasjonene blir deretter brukt i en fem-trinns prosess:

1. Initialiser en tilfeldig populasjon, der hvert kromosom er n- lengde, med n som antall parametere. Det vil si at et tilfeldig antall parametere etableres med n elementer hver.
2. Velg kromosomer, eller parametere, som øker ønskelige resultater (antagelig nettoresultat).
3. Bruk mutasjons- eller crossover-operatører til de valgte foreldrene og generer et avkom.
4. Rekombinere avkom og den nåværende populasjonen for å danne en ny populasjon med utvelgelsesoperatøren.
5. Gjenta trinn to til fire.

Over tid vil denne prosessen resultere i stadig gunstigere kromosomer (eller parametere) for bruk i en handelsregel. Prosessen avsluttes deretter når stoppkriterier er oppfylt, som kan inkludere kjøretid, kondisjon, antall generasjoner eller andre kriterier.

Bruke genetiske algoritmer i handel

Mens genetiske algoritmer først og fremst brukes av institusjonelle kvantitative handelsmenn, kan individuelle handelsmenn utnytte kraften til genetiske algoritmer - uten grad i avansert matematikk - ved å bruke flere programvarepakker på markedet. Disse løsningene spenner fra frittstående programvarepakker rettet mot finansmarkedene til Microsoft Excel-tilleggsprogrammer som kan lette mer praktisk analyse.

Når du bruker disse applikasjonene, kan handelsmenn definere et sett med parametere som deretter optimaliseres ved hjelp av en genetisk algoritme og et sett med historiske data. Noen applikasjoner kan optimalisere hvilke parametere som brukes og verdiene for dem, mens andre først og fremst er fokusert på å ganske enkelt optimalisere verdiene for et gitt sett med parametere. (For å lære mer om disse programledede strategiene, se: The Power of Program Trades .)

Kurvepassing (overfitting), eller designe et handelssystem rundt historiske data i stedet for å identifisere repeterbar atferd, representerer en potensiell risiko for handelsmenn som bruker genetiske algoritmer. Ethvert handelssystem som bruker GA-er, bør testes fremover på papir før bruk.

Å velge parametere er en viktig del av prosessen, og handelsmenn bør oppsøke parametere som korrelerer med endringer i prisen for en gitt sikkerhet. Prøv for eksempel ut forskjellige indikatorer for å se om noen ser ut til å korrelere med store markedssvingninger. (For mer, se: Velge riktig algoritmisk handelsprogramvare .)

Bunnlinjen

Genetiske algoritmer er unike måter å løse komplekse problemer ved å utnytte kraften i naturen. Ved å bruke disse metodene for å forutsi sikkerhetspriser, kan handelsmenn optimalisere handelsreglene ved å identifisere de beste verdiene som skal brukes for hver parameter for en gitt sikkerhet. Imidlertid er disse algoritmene ikke den hellige gral, og handelsmenn bør være nøye med å velge riktige parametere og ikke kurvepasning. (For ytterligere lesing, sjekk ut: Slik kode du din egen Algo Trading Robot .)