Burton Malkiel ehdotti teoksessa "Random Walk Down Wall Street" (1973), että "silmänsäköinen apina heittää tikkaa sanomalehden rahoitussivuille voisi valita salkun, joka toimisi yhtä hyvin kuin asiantuntijoiden huolellisesti valitsema." Vaikka evoluutio ei ehkä ole tehnyt ihmistä älykkäämmäksi kerättäessä varastoja, Charles Darwinin teoria on osoittautunut melko tehokkaaksi, kun sitä sovelletaan suoraan.
OHJE: Osakkeiden poimintastrategiat
Mitkä ovat geneettiset algoritmit?
Geneettiset algoritmit (GAs) ovat ongelmanratkaisumenetelmiä (tai heuristiikkaa), jotka matkivat luonnollisen evoluutioprosessia. Toisin kuin keinotekoiset hermoverkot (ANNs), jotka on suunniteltu toimimaan kuten aivojen neuronit, nämä algoritmit käyttävät luonnollisen valinnan käsitteitä parhaan ratkaisun löytämiseen ongelmaan. Seurauksena on, että GA: itä käytetään yleisesti optimoijina, jotka säätävät parametrejä minimoimaan tai maksimoimaan jonkin palautteen mitta, jota voidaan sitten käyttää itsenäisesti tai ANN: n rakentamisessa. (Lisätietoja ANNS: stä, katso: Neuroverkot: Voittojen ennustaminen .)
Rahoitusmarkkinoilla geneettisiä algoritmeja käytetään yleisimmin etsimään parhaita parametrien yhdistelmäarvoja kaupankäynnin säännössä, ja ne voidaan rakentaa ANN-malleihin, jotka on suunniteltu keräämään osakkeita ja tunnistamaan kaupat. Useat tutkimukset ovat osoittaneet näiden menetelmien tehokkuuden, mukaan lukien "Geneettiset algoritmit: Osakearvioinnin geneesi" (2004) ja "Geneettisten algoritmien sovellukset osakemarkkinoiden kaivostoiminnan optimoinnissa" (2004). (Lisätietoja: Kuinka kaupankäynnin algoritmeja luodaan .)
Mitkä ovat geneettiset algoritmit?
Kuinka geneettiset algoritmit toimivat
Geneettiset algoritmit luodaan matemaattisesti käyttämällä vektoreita, jotka ovat suuruuksia, joilla on suunta ja suuruus. Jokaisen kauppasäännön parametrit esitetään yhden ulottuvuuden vektorilla, jota voidaan pitää geneettisesti kromosomina. Samanaikaisesti kussakin parametrissa käytettyjä arvoja voidaan ajatella geeneinä, joita muokataan sitten luonnollisella valinnalla.
Kaupankäyntisääntö voi esimerkiksi sisältää parametrien, kuten liikkuvan keskimääräisen konvergenssidiversiteetin (MACD), eksponentiaalisen liikkuvan keskiarvon (EMA) ja stokastisen, käytön. Geneettinen algoritmi syöttäisi sitten arvot näihin parametreihin tavoitteena maksimoida nettotulos. Ajan myötä pieniä muutoksia otetaan käyttöön, ja ne, joilla on toivottava vaikutus, säilytetään seuraavalle sukupolvelle.
Tämän jälkeen voidaan suorittaa kolmen tyyppisiä geneettisiä toimenpiteitä:
- Risteykset edustavat biologian lisääntymistä ja risteytystä, jolloin lapsi ottaa tietyt vanhempiensa piirteet.Mutaatiot edustavat biologista mutaatiota ja niitä käytetään geneettisen monimuotoisuuden ylläpitämiseen väestön sukupolvelta toiselle ottamalla käyttöön satunnaisia pieniä muutoksia.Valinnat ovat vaihe, jossa yksittäiset genomit valitaan populaatiosta myöhempää lisäämistä varten (rekombinaatio tai crossover).
Näitä kolmea operaatiota käytetään sitten viisivaiheisessa prosessissa:
- Alusta satunnainen populaatio, jossa jokainen kromosomi on n- pituinen, jolloin n on parametrien lukumäärä. Toisin sanoen, satunnaislukumäärä parametrejä määritetään jokaisella n elementillä. Valitse kromosomit tai parametrit, jotka lisäävät toivottavia tuloksia (oletettavasti nettotulos).Aseta mutaatio- tai ristinoperaattorit valituille vanhemmille ja tuottavat jälkeläisiä.Yhdistä jälkeläiset uudelleen. nykyisen väestön muodostamiseksi uusi populaatio valintaoperaattorin kanssa. Toista vaiheet 2–4.
Ajan myötä tämä prosessi johtaa yhä edullisempiin kromosomeihin (tai parametreihin) käytettäväksi kauppasäännössä. Prosessi lopetetaan sitten, kun pysäytyskriteerit täyttyvät, joihin voi kuulua juoksuaika, kunto, sukupolvien lukumäärä tai muut kriteerit.
Geneettisten algoritmien käyttäminen kaupassa
Vaikka geneettisiä algoritmeja käyttävät pääasiassa institutionaaliset kvantitatiiviset kauppiaat, yksittäiset kauppiaat voivat valjastaa geneettisten algoritmien voiman - ilman tutkintoa edistyneessä matematiikassa - käyttämällä useita markkinoilla olevia ohjelmistopaketteja. Nämä ratkaisut vaihtelevat rahoitusmarkkinoille suunnattuista itsenäisistä ohjelmistopaketeista Microsoft Excel -lisäosiin, jotka voivat helpottaa käytännön analysointia.
Näitä sovelluksia käytettäessä kauppiaat voivat määritellä joukon parametreja, jotka sitten optimoidaan käyttämällä geneettistä algoritmia ja joukko historiallisia tietoja. Jotkut sovellukset voivat optimoida käytettäviä parametreja ja niiden arvoja, kun taas toiset ovat pääasiassa keskittyneet yksinkertaisesti tietyn parametriryhmän arvojen optimointiin. (Lisätietoja näistä ohjelmapohjaisista strategioista on artikkelissa: Ohjelmakauppojen voima .)
Käyrän sovittaminen (ylimääräinen sopivuus) tai kauppajärjestelmän suunnittelu historiallisten tietojen perusteella sen sijaan, että tunnistettaisiin toistuvaa käyttäytymistä, edustaa potentiaalista riskiä kauppiaille, jotka käyttävät geneettisiä algoritmeja. Kaikkia GA: ta käyttäviä kauppajärjestelmiä tulisi testata eteenpäin paperilla ennen reaaliaikaista käyttöä.
Parametrien valinta on tärkeä osa prosessia, ja elinkeinonharjoittajien tulisi etsiä parametreja, jotka korreloivat tietyn arvopaperin hinnan muutosten kanssa. Kokeile esimerkiksi erilaisia indikaattoreita nähdäksesi, näyttääkö jokin korreloivan suurten markkinoiden käännösten kanssa. (Lisätietoja: Oikean algoritmisen kaupankäynnin ohjelmiston valitseminen .)
Pohjaviiva
Geneettiset algoritmit ovat ainutlaatuisia tapoja ratkaista monimutkaisia ongelmia hyödyntämällä luonnon voimaa. Soveltamalla näitä menetelmiä arvopaperien hintojen ennustamiseen kauppiaat voivat optimoida kaupankäynnin säännöt tunnistamalla parhaat arvot, joita käytetään kunkin parametrin kohdalla tietylle arvopapereelle. Nämä algoritmit eivät kuitenkaan ole Holy Grail, ja elinkeinonharjoittajien tulee olla varovaisia valitsemalla oikeat parametrit eivätkä käyrän sopivuudesta. (Katso lisätietoja lukemalla: Kuinka koodata oma Algo-robotti .)
