Utilisation des algorithmes génétiques pour prévoir les marchés financiers Chargement du lecteur. Burton a suggéré dans son livre, A Random Walk Down Wall Street, (1973) que, Un singe aux yeux bandés jetant des fléchettes à des pages financières des journaux pourrait sélectionner un portefeuille qui ferait tout aussi bien que celui soigneusement sélectionné par des experts. Bien que l'évolution ait pu rendre l'homme plus intelligent à la cueillette des stocks, la théorie de Charles Darwins est très efficace lorsqu'elle est appliquée plus directement. (Pour vous aider à choisir des stocks, consultez Comment choisir un stock.) Quels sont les algorithmes génétiques Les algorithmes génétiques (AG) sont des méthodes de résolution de problèmes (ou heuristiques) qui imitent le processus de l'évolution naturelle. Contrairement aux réseaux neuronaux artificiels (RNA), conçus pour fonctionner comme des neurones dans le cerveau, ces algorithmes utilisent les concepts de sélection naturelle pour déterminer la meilleure solution pour un problème. En conséquence, les AG sont couramment utilisés comme des optimiseurs qui ajustent les paramètres pour minimiser ou maximiser une certaine mesure de rétroaction, qui peut ensuite être utilisé indépendamment ou dans la construction d'une ANN. Sur les marchés financiers. Les algorithmes génétiques sont le plus couramment utilisés pour trouver les meilleures valeurs de combinaison de paramètres dans une règle de négociation, et ils peuvent être intégrés dans les modèles ANN conçus pour cueillir des actions et identifier les métiers. Plusieurs études ont démontré que ces méthodes peuvent s'avérer efficaces, y compris les algorithmes génétiques: Genesis of Stock Evaluation (2004) de Rama, et The Applications of Genetic Algorithms in Stock Market Data Mining Optimization (2004) par Lin, Cao, Wang, Zhang. (Pour en savoir plus sur ANN, voir Réseaux de neurones: Profits de prévision.) Comment fonctionnent les algorithmes génétiques Les algorithmes génétiques sont créés mathématiquement à l'aide de vecteurs, qui sont des quantités qui ont une direction et une grandeur. Les paramètres de chaque règle commerciale sont représentés par un vecteur unidimensionnel qui peut être considéré comme un chromosome en termes génétiques. En attendant, les valeurs utilisées dans chaque paramètre peuvent être considérées comme des gènes, qui sont alors modifiés en utilisant la sélection naturelle. Par exemple, une règle de négociation peut impliquer l'utilisation de paramètres tels que la convergence-divergence moyenne mobile (MACD). Moyenne mobile exponentielle (EMA) et stochastique. Un algorithme génétique introduirait alors des valeurs dans ces paramètres dans le but de maximiser le bénéfice net. Avec le temps, de petits changements sont introduits et ceux qui font un impact souhaitable sont retenus pour la prochaine génération. Il existe trois types d'opérations génétiques qui peuvent alors être effectuées: Les croisements représentent la reproduction et le croisement biologique vu en biologie, par lequel un enfant prend certaines caractéristiques de ses parents. Les mutations représentent une mutation biologique et sont utilisées pour maintenir la diversité génétique d'une génération d'une population à l'autre en introduisant de petits changements aléatoires. Les sélections sont l'étape à laquelle les génomes individuels sont choisis parmi une population pour une reproduction ultérieure (recombinaison ou croisement). Ces trois opérateurs sont ensuite utilisés dans un processus en cinq étapes: Initialiser une population aléatoire, où chaque chromosome est n-longueur, n étant le nombre de paramètres. Autrement dit, un nombre aléatoire de paramètres est établi avec n éléments chacun. Sélectionnez les chromosomes, ou les paramètres, qui augmentent les résultats souhaitables (probablement le bénéfice net). Appliquer des mutations ou des opérateurs de croisement aux parents sélectionnés et générer une progéniture. Recombiner la progéniture et la population actuelle pour former une nouvelle population avec l'opérateur de sélection. Répétez les étapes 2 à 4. Au fil du temps, ce processus se traduira par des chromosomes (ou paramètres) de plus en plus favorables à utiliser dans une règle commerciale. Le processus est alors terminé lorsqu'un critère d'arrêt est respecté, ce qui peut inclure le temps de fonctionnement, l'aptitude, le nombre de générations ou d'autres critères. (Pour en savoir plus sur MACD, lisez Trading The MACD Divergence.) Utilisation des algorithmes génétiques dans le commerce Alors que les algorithmes génétiques sont principalement utilisés par les commerçants institutionnels quantitatifs. Les commerçants individuels peuvent exploiter la puissance des algorithmes génétiques - sans un diplôme en mathématiques avancées - en utilisant plusieurs progiciels sur le marché. Ces solutions vont de paquets logiciels autonomes orientés vers les marchés financiers vers Microsoft Excel add-ons qui peuvent faciliter plus d'analyse pratique. Lors de l'utilisation de ces applications, les opérateurs peuvent définir un ensemble de paramètres qui sont ensuite optimisés à l'aide d'un algorithme génétique et d'un ensemble de données historiques. Certaines applications peuvent optimiser quels paramètres sont utilisés et leurs valeurs, tandis que d'autres se concentrent principalement sur l'optimisation des valeurs pour un ensemble donné de paramètres. (Pour en savoir plus sur ces stratégies dérivées des programmes, voir La puissance des métiers du programme.) Conseils et astuces d'optimisation importants La mise en place d'un système de négociation autour des données historiques plutôt que d'identifier un comportement répétitif représente un risque potentiel pour les commerçants utilisant algorithmes génétiques. Tout système commercial utilisant des GA devrait être testé sur le papier avant l'utilisation en direct. Le choix des paramètres est une partie importante du processus et les opérateurs doivent rechercher des paramètres corrélés aux variations du prix d'un titre donné. Par exemple, essayez différents indicateurs et voyez si tout semble se corréler avec les virages du marché majeur. Les algorithmes génétiques sont des moyens uniques pour résoudre des problèmes complexes en exploitant la puissance de la nature. En appliquant ces méthodes à la prévision des prix des titres, les opérateurs peuvent optimiser les règles de négociation en identifiant les meilleures valeurs à utiliser pour chaque paramètre pour un titre donné. Cependant, ces algorithmes ne sont pas le Saint Graal, et les commerçants devraient faire attention de choisir les bons paramètres et pas l'ajustement de courbe. (Pour en savoir plus sur le marché, consultez Écoutez le marché, pas ses experts.) Méthodes comptables qui mettent l'accent sur les impôts plutôt que l'apparence des états financiers publics. La comptabilité fiscale est régie. L'effet boomer fait référence à l'influence que le groupe générationnel née entre 1946 et 1964 a sur la plupart des marchés. Une hausse du prix des actions qui se produit souvent dans la semaine entre Noël et New Year039s Day. Il y a de nombreuses explications. Un terme utilisé par John Maynard Keynes utilisé dans un de ses livres d'économie. Dans sa publication de 1936, la théorie générale de l'emploi. Loi qui prévoit un grand nombre de réformes aux lois et aux règlements des régimes de retraite des États-Unis. Cette loi en a fait plusieurs. Une mesure de la part active de la main-d'œuvre d'une économie. Le taux de participation se réfère au nombre de personnes qui sont. Algorithme génétique dans R 8211 Trend Suivre serait stockFacebook. Stratégie Moyenne mobile exponentielle. ParamA10. ParamB45. Les règles de stratégie sont simples, si la moyenne mobile (longueurparamA) gt moyenne mobile (longueurparamB) puis aller long, et vice versa. La fonction de conditionnement physique Un gène est quantifié comme un gène bon ou mauvais en utilisant une fonction de conditionnement physique. Le succès d'une stratégie de négociation génétique dépend fortement de votre choix de la fonction de conditionnement physique et si elle a un sens avec les stratégies que vous avez l'intention d'utiliser. Vous échangerez chacune des stratégies décrites par vos gènes actifs et les classerez par leur condition physique. Un bon point de départ serait d'utiliser le ratio aigu que la fonction de remise en forme. Vous devez être prudent que vous appliquez la fonction de conditionnement physique aux données statistiquement significatives. Par exemple, si vous avez utilisé une stratégie de renversement moyenne qui pourrait échanger une fois par mois (ou ce que jamais votre fenêtre de recyclage est), votre condition physique est déterminée par 1 ou 2 points de données. Cela entraînera une mauvaise optimisation génétique (dans mon code i8217ve commenté un test de stratégie de réversion moyenne pour vous-même). Typiquement ce qui se passe est votre ratio de sharpe à partir de 2 points de données est très très élevé simplement à la chance. Vous marquez alors cela comme un bon gène et le commercer le mois prochain avec des résultats terribles. Gènes d'élevage Avec un algo génétique que vous avez besoin pour la reproduction des gènes, pour le reste de ce post i8217ll supposer que vous élevez une fois par mois. Pendant la reproduction, vous prenez tous les gènes dans votre pool génétique et les classer en fonction de la fonction de remise en forme. Vous sélectionnez alors les principaux gènes N et les multipliez (jetez tous les autres gènes qui ne servent à rien). L'élevage se compose de deux parties: Hybridation 8211 Prenez un gène et en coupez un morceau, vous pouvez utiliser n'importe quel générateur de nombres aléatoires que vous voulez déterminer les endroits coupés, échanger ce morceau avec un morceau correspondant d'un autre gène. Par exemple. Gène ancien: 00 1100 10 et 11 1001 10 (le rouge est le choix aléatoire de bits à couper) Nouveau gène: 00 1001 10 et 11 1100 10 Vous faites cela pour chaque paire possible de gènes dans votre liste N supérieure. Mutation 8211 Après hybridation passer par tous vos gènes et aléatoirement retourner les bits avec une probabilité fixe. La mutation empêche votre stratégie d'être enfermée dans un pool de gènes chaque rétrécissement. Pour une explication plus détaillée avec des diagrammes, veuillez consulter: blog. equametrics scroll down to Algorithmes génétiques et son Application in Trading Annualized Sharpe Ratio (Rf0) 1.15
No comments:
Post a Comment