V "Random Walk Down Wall Street" (1973) Burton Malkiel navrhl: "Opice se zavázanýma očima házející šipky na finančních stránkách novin by mohla vybrat portfolio, které by udělalo stejně dobře jako jedno pečlivě vybrané odborníky." I když evoluce možná nevedla k tomu, aby byl člověk při výběru akcií inteligentnější, teorie Charlese Darwina se ukázala jako docela účinná, když byla použita přímo.
TUTORIAL: Strategie vychystávání zásob
Co jsou genetické algoritmy?
Genetické algoritmy (GAs) jsou metody řešení problémů (nebo heuristika), které napodobují proces přirozené evoluce. Na rozdíl od umělých neuronových sítí (ANNs), navržených tak, aby fungovaly jako neurony v mozku, tyto algoritmy využívají koncepty přirozeného výběru k určení nejlepšího řešení problému. Výsledkem je, že GA se běžně používají jako optimalizátory, které upravují parametry tak, aby minimalizovaly nebo maximalizovaly určitou míru zpětné vazby, která pak může být použita samostatně nebo při konstrukci ANN. (Další informace o ANNs viz: Neuronové sítě: Prognostické zisky .)
Na finančních trzích se genetické algoritmy nejčastěji používají k nalezení nejlepších kombinačních hodnot parametrů v obchodním pravidle a lze je zabudovat do modelů ANN určených k výběru akcií a identifikaci obchodů. Několik studií prokázalo účinnost těchto metod, včetně „Genetických algoritmů: Hodnocení geneze zásob“ (2004) a „Aplikace genetických algoritmů při optimalizaci těžby dat na akciovém trhu“ (2004). (Více viz: Jak se vytvářejí obchodní algoritmy .)
Co jsou genetické algoritmy?
Jak fungují genetické algoritmy
Genetické algoritmy jsou vytvářeny matematicky pomocí vektorů, což jsou veličiny, které mají směr a velikost. Parametry pro každé obchodní pravidlo jsou reprezentovány jednorozměrným vektorem, který lze z genetického hlediska považovat za chromozom. Mezitím mohou být hodnoty použité v každém parametru považovány za geny, které jsou pak modifikovány pomocí přirozeného výběru.
Například obchodní pravidlo může zahrnovat použití parametrů, jako je divergence klouzavého průměrného sbližování (MACD), exponenciální klouzavý průměr (EMA) a stochastika. Genetický algoritmus by pak do těchto parametrů vložil hodnoty s cílem maximalizovat čistý zisk. Postupem času jsou zaváděny malé změny a ty, které mají žádoucí dopad, jsou zachovány i pro další generaci.
Existují tři typy genetických operací, které lze poté provést:
- Crossovery představují reprodukci a crossover viděný v biologii, přičemž dítě nabývá určitých charakteristik svých rodičů. Mutace představují biologickou mutaci a používají se k udržování genetické rozmanitosti od jedné generace populace k další zavedením náhodných malých změn. stádium, ve kterém jsou jednotlivé genomy vybrány z populace pro pozdější rozmnožování (rekombinace nebo křížení).
Tyto tři operace se poté použijí v pětikrokovém procesu:
- Inicializujte náhodnou populaci, kde každý chromozom je n- délka, přičemž n je počet parametrů. To znamená, že náhodný počet parametrů je stanoven s n prvky každý. Vyberte chromozomy nebo parametry, které zvyšují žádoucí výsledky (pravděpodobně čistý zisk). Použijte operátory mutace nebo křížení na vybrané rodiče a vytvořte potomstvo. Rekombinujte potomstvo a aktuální populace k vytvoření nové populace s operátorem výběru. Opakujte kroky dva až čtyři.
Postupem času tento proces povede ke stále příznivějším chromozomům (nebo parametrům) pro použití v obchodním pravidle. Proces je pak ukončen, když jsou splněna kritéria pro zastavení, která mohou zahrnovat dobu běhu, kondici, počet generací nebo jiná kritéria.
Využití genetických algoritmů v obchodování
Zatímco genetické algoritmy jsou primárně používány institucionálními kvantitativními obchodníky, jednotliví obchodníci mohou využít sílu genetických algoritmů - bez stupně pokročilé matematiky - pomocí několika softwarových balíčků na trhu. Tato řešení sahají od samostatných softwarových balíčků zaměřených na finanční trhy až po doplňky aplikace Microsoft Excel, které mohou usnadnit více praktických analýz.
Při používání těchto aplikací mohou obchodníci definovat sadu parametrů, které jsou poté optimalizovány pomocí genetického algoritmu a sady historických dat. Některé aplikace mohou optimalizovat, které parametry se používají a hodnoty pro ně, zatímco jiné se primárně zaměřují na jednoduchou optimalizaci hodnot pro danou sadu parametrů. (Chcete-li se dozvědět více o těchto strategiích odvozených od programu , podívejte se na: The Power of Program Trades .)
Přizpůsobení křivky (overfitting) nebo navržení obchodního systému na základě historických dat, spíše než identifikace opakovatelného chování, představuje pro obchodníky potenciální riziko pomocí genetických algoritmů. Jakýkoli obchodní systém využívající GA by měl být před přímým použitím testován na papíře.
Výběr parametrů je důležitou součástí procesu a obchodníci by měli hledat parametry, které korelují se změnami ceny daného cenného papíru. Například vyzkoušejte různé ukazatele, abyste zjistili, zda se zdá, že nějaká koreluje s významnými tržními obraty. (Více viz: Výběr správného softwaru pro obchodování s algoritmy .)
Sečteno a podtrženo
Genetické algoritmy jsou jedinečné způsoby, jak řešit složité problémy využitím síly přírody. Uplatněním těchto metod na předpovídání cen cenných papírů mohou obchodníci optimalizovat obchodní pravidla tím, že určují nejlepší hodnoty, které mají použít pro každý parametr dané jistoty. Tyto algoritmy však nejsou Svatým grálem a obchodníci by si měli dát pozor na to, aby vybrali správné parametry a ne na křivku. (Pro další čtení si přečtěte: Jak kódovat svého vlastního robota pro obchodování s Algo .)
