Wykorzystanie algorytmów genetycznych do prognozowania rynków finansowych

W „A Random Walk Down Wall Street” (1973) Burton Malkiel zasugerował: „Małpa z zasłoniętymi oczami rzucająca lotkami w strony finansowe gazety mogłaby wybrać portfolio równie dobrze dobrane przez ekspertów”. Choć ewolucja mogła sprawić, że człowiek nie byłby bardziej inteligentny w doborze zapasów, teoria Charlesa Darwina okazała się dość skuteczna, gdy zastosowano ją bardziej bezpośrednio.

TUTORIAL: Strategie kompletacji zapasów

Jakie są algorytmy genetyczne?

Algorytmy genetyczne (GA) to metody rozwiązywania problemów (lub heurystyki), które naśladują proces naturalnej ewolucji. W przeciwieństwie do sztucznych sieci neuronowych (ANN) zaprojektowanych tak, aby funkcjonowały jak neurony w mózgu, algorytmy te wykorzystują koncepcje doboru naturalnego w celu ustalenia najlepszego rozwiązania problemu. W rezultacie GA są powszechnie stosowane jako optymalizatory, które dostosowują parametry, aby zminimalizować lub zmaksymalizować niektóre miary sprzężenia zwrotnego, które można następnie wykorzystać niezależnie lub w konstrukcji ANN. (Aby dowiedzieć się więcej o ANN, zobacz: Sieci neuronowe: Prognozowanie zysków .)

Na rynkach finansowych algorytmy genetyczne są najczęściej stosowane do znajdowania najlepszej kombinacji wartości parametrów w regule handlowej i mogą być wbudowane w modele ANN zaprojektowane do wybierania akcji i identyfikowania transakcji. Kilka badań wykazało skuteczność tych metod, w tym „Algorytmy genetyczne: geneza oceny zapasów” (2004) i „Zastosowania algorytmów genetycznych w optymalizacji wydobywania danych na giełdzie” (2004). (Aby uzyskać więcej informacji, zobacz: Jak tworzone są algorytmy handlu .)

Co to są algorytmy genetyczne?

Jak działają algorytmy genetyczne

Algorytmy genetyczne są tworzone matematycznie za pomocą wektorów, które są wielkościami o kierunku i wielkości. Parametry dla każdej reguły handlu są reprezentowane przez jednowymiarowy wektor, który może być uważany za chromosom pod względem genetycznym. Tymczasem wartości stosowane w każdym parametrze można traktować jako geny, które następnie modyfikuje się przy użyciu selekcji naturalnej.

Na przykład reguła handlowa może obejmować użycie parametrów, takich jak dywergencja średniej ruchomej konwergencji (MACD), wykładnicza średnia ruchoma (EMA) i stochastyka. Algorytm genetyczny wprowadziłby następnie wartości do tych parametrów w celu maksymalizacji zysku netto. Z czasem wprowadzane są niewielkie zmiany, a te, które mają pożądany wpływ, zostają zachowane dla następnej generacji. (Zobacz także: Podstawy handlu algorytmicznego .)

Istnieją trzy rodzaje operacji genetycznych, które można następnie wykonać:

• Zwrotnice reprezentują reprodukcję i krzyżowanie obserwowane w biologii, dzięki czemu dziecko nabiera określonych cech swoich rodziców.
• Mutacje reprezentują mutację biologiczną i są wykorzystywane do utrzymania różnorodności genetycznej od jednego pokolenia populacji do następnego poprzez wprowadzanie przypadkowych drobnych zmian.
• Selekcje są etapem, na którym poszczególne genomy są wybierane z populacji do późniejszej hodowli (rekombinacji lub krzyżowania).

Te trzy operacje są następnie wykorzystywane w pięcioetapowym procesie:

1. Zainicjuj losową populację, w której każdy chromosom ma długość n, przy czym n oznacza liczbę parametrów. Oznacza to, że losowa liczba parametrów jest ustalana z n elementami każdy.
2. Wybierz chromosomy lub parametry, które zwiększają pożądane wyniki (przypuszczalnie zysk netto).
3. Zastosuj mutację lub operację krzyżowania do wybranych rodziców i wygeneruj potomstwo.
4. Połącz ponownie potomstwo i bieżącą populację, aby utworzyć nową populację z operatorem selekcji.
5. Powtórz kroki od drugiego do czwartego.

Z czasem proces ten będzie skutkować coraz bardziej korzystnymi chromosomami (lub parametrami) do stosowania w regule handlowej. Proces jest następnie kończony, gdy spełnione są kryteria zatrzymania, które mogą obejmować czas biegu, kondycję, liczbę pokoleń lub inne kryteria.

Wykorzystanie algorytmów genetycznych w handlu

Podczas gdy algorytmy genetyczne są stosowane głównie przez instytucjonalnych handlowców ilościowych, indywidualni handlowcy mogą wykorzystać moc algorytmów genetycznych - bez dyplomu z zaawansowanej matematyki - za pomocą kilku pakietów oprogramowania na rynku. Rozwiązania te obejmują zarówno samodzielne pakiety oprogramowania ukierunkowane na rynki finansowe, jak i dodatki do programu Microsoft Excel, które mogą ułatwić bardziej praktyczne analizy.

Korzystając z tych aplikacji, inwestorzy mogą zdefiniować zestaw parametrów, które są następnie optymalizowane za pomocą algorytmu genetycznego i zestawu danych historycznych. Niektóre aplikacje mogą zoptymalizować używane parametry i ich wartości, podczas gdy inne koncentrują się przede wszystkim na optymalizacji wartości dla danego zestawu parametrów. (Aby dowiedzieć się więcej na temat strategii opartych na programach, zobacz: Moc transakcji programowych .)

Dopasowanie krzywej (przeszacowanie) lub zaprojektowanie systemu handlowego wokół danych historycznych zamiast identyfikowania powtarzalnego zachowania stanowi potencjalne ryzyko dla handlowców stosujących algorytmy genetyczne. Każdy system transakcyjny wykorzystujący GA powinien zostać przetestowany na papierze przed użyciem na żywo.

Wybór parametrów jest ważną częścią tego procesu, a inwestorzy powinni szukać parametrów, które korelują ze zmianami ceny danego papieru wartościowego. Na przykład wypróbuj różne wskaźniki, aby sprawdzić, czy wydają się korelować z głównymi zmianami na rynku. (Aby uzyskać więcej informacji, zobacz: Wybór odpowiedniego oprogramowania do handlu algorytmicznego .)

Dolna linia

Algorytmy genetyczne to unikalne sposoby rozwiązywania złożonych problemów poprzez wykorzystanie siły natury. Stosując te metody do prognozowania cen zabezpieczeń, inwestorzy mogą optymalizować reguły handlu, określając najlepsze wartości do zastosowania dla każdego parametru dla danego papieru wartościowego. Jednak te algorytmy nie są Świętym Graalem, a inwestorzy powinni ostrożnie wybierać odpowiednie parametry, a nie dopasować krzywej. (Aby uzyskać dodatkowe informacje, sprawdź: Jak zakodować własnego robota handlowego Algo .)