Algoritmo genético em média móvel

Usando Algoritmos Genéticos para Previsão de Mercados Financeiros Carregando o jogador. Burton sugeriu em seu livro, Random Walk Down Wall Street, (1973) que, um macaco com os olhos vendados lançando dardos em páginas financeiras de jornais poderia selecionar um portfólio que faria tão bem quanto um selecionado cuidadosamente por especialistas. Embora a evolução tenha tornado o homem mais inteligente na escolha de estoques, a teoria de Charles Darwins é bastante eficaz quando aplicada de forma mais direta. (Para ajudá-lo a escolher ações, verifique como escolher um estoque.) Quais são os algoritmos genéticos Os algoritmos genéticos (GAs) são métodos de resolução de problemas (ou heurísticas) que imitam o processo de evolução natural. Ao contrário das redes neurais artificiais (RNAs), projetadas para funcionar como neurônios no cérebro, esses algoritmos utilizam os conceitos de seleção natural para determinar a melhor solução para um problema. Como resultado, os GAs são comumente usados ​​como otimizadores que ajustam os parâmetros para minimizar ou maximizar alguma medida de feedback, que pode então ser usada de forma independente ou na construção de uma ANN. Nos mercados financeiros. Os algoritmos genéticos são mais comumente usados ​​para encontrar os melhores valores de combinação de parâmetros em uma regra de negociação, e eles podem ser incorporados em modelos ANN projetados para escolher ações e identificar trades. Vários estudos demonstraram que esses métodos podem se tornar efetivos, incluindo Algoritmos Genéticos: Gênesis de Avaliação de Estoque (2004) de Rama e As Aplicações de Algoritmos Genéticos em Otimização de Mineração de Dados de Mercado de Valores (2004) por Lin, Cao, Wang, Zhang. (Para saber mais sobre ANN, veja Redes Neurais: Previsão de Lucros.) Como funcionam os Algoritmos Genéticos Os algoritmos genéticos são criados matematicamente usando vetores, que são quantidades que têm direção e magnitude. Parâmetros para cada regra comercial são representados com um vetor unidimensional que pode ser pensado como um cromossomo em termos genéticos. Enquanto isso, os valores utilizados em cada parâmetro podem ser considerados genes, que são então modificados usando a seleção natural. Por exemplo, uma regra de negociação pode envolver o uso de parâmetros como Moving Average Convergence-Divergence (MACD). Média móvel exponencial (EMA) e estocástica. Um algoritmo genético então entraria valores nesses parâmetros com o objetivo de maximizar o lucro líquido. Ao longo do tempo, pequenas mudanças são introduzidas e aqueles que fazem um desejável impacto são mantidos para a próxima geração. Existem três tipos de operações genéticas que podem ser realizadas: os cruzamentos representam a reprodução e o cruzamento biológico visto na biologia, pelo que uma criança assume certas características de seus pais. As mutações representam a mutação biológica e são usadas para manter a diversidade genética de uma geração de uma população para a próxima, introduzindo pequenas mudanças aleatórias. As seleções são o estágio em que os genomas individuais são escolhidos de uma população para reprodução posterior (recombinação ou crossover). Esses três operadores são então usados ​​em um processo de cinco etapas: Inicialize uma população aleatória, onde cada cromossomo é n-comprimento, sendo n o número de parâmetros. Ou seja, um número aleatório de parâmetros são estabelecidos com n elementos cada. Selecione os cromossomos, ou parâmetros, que aumentam os resultados desejáveis ​​(presumivelmente lucro líquido). Aplicar operadores de mutação ou crossover aos pais selecionados e gerar uma prole. Recombine a prole e a população atual para formar uma nova população com o operador de seleção. Repita os passos dois a quatro. Ao longo do tempo, este processo resultará em cromossomos (ou, parâmetros) cada vez mais favoráveis ​​para uso em uma regra de negociação. O processo é encerrado quando um critério de parada é cumprido, o que pode incluir tempo de execução, aptidão física, número de gerações ou outros critérios. (Para mais informações sobre MACD, leia Trading The MACD Divergence.) Usando Algoritmos Genéticos na Negociação Enquanto os algoritmos genéticos são usados ​​principalmente por comerciantes quantitativos institucionais. Os comerciantes individuais podem aproveitar o poder dos algoritmos genéticos - sem diploma em matemática avançada - usando vários pacotes de software no mercado. Essas soluções variam de pacotes de software independentes voltados para os mercados financeiros para complementos do Microsoft Excel que podem facilitar mais análises práticas. Ao usar essas aplicações, os comerciantes podem definir um conjunto de parâmetros que são então otimizados usando um algoritmo genético e um conjunto de dados históricos. Algumas aplicações podem otimizar quais parâmetros são usados ​​e os valores para eles, enquanto outros são focados principalmente em simplesmente otimizar os valores para um determinado conjunto de parâmetros. (Para saber mais sobre essas estratégias derivadas do programa, veja O Poder de Operações de Programas.) Sugestões e Truques de Otimização Importantes O encaixe de curva (sobreposição), projetando um sistema de negociação em torno de dados históricos, em vez de identificar comportamentos repetitivos, representa um risco potencial para os comerciantes usando algorítmos genéticos. Qualquer sistema de negociação que utilize GAs deve ser testado no papel antes do uso ao vivo. A escolha de parâmetros é uma parte importante do processo, e os comerciantes devem procurar parâmetros que se correlacionem com as mudanças no preço de uma determinada segurança. Por exemplo, experimente diferentes indicadores e veja se algum parece se correlacionar com as principais voltas do mercado. The Bottom Line Os algoritmos genéticos são formas únicas de resolver problemas complexos ao aproveitar o poder da natureza. Ao aplicar esses métodos para prever os preços dos títulos, os comerciantes podem otimizar as regras de negociação, identificando os melhores valores a serem usados ​​para cada parâmetro para uma determinada segurança. No entanto, esses algoritmos não são o Santo Graal, e os comerciantes devem ter o cuidado de escolher os parâmetros certos e não ajustar a curva (sobreposição). (Para ler mais sobre o mercado, verifique Ouvir o mercado, não seus especialistas.) Algoritmo genético em R 8211 Trend Following Seria stockFacebook. Estratégia de estratégia global. ParamA10. ParamB45. As regras da estratégia são simples, se a média móvel (lengthparamA) gt a média móvel (lengthparamB), então vá longas e vice-versa. A função de fitness Um gene é quantificado como um gene bom ou ruim usando uma função de fitness. O sucesso de uma estratégia de negociação genética depende muito da sua escolha de função de fitness e se faz sentido com as estratégias que você pretende usar. Você trocará cada uma das estratégias descritas por seus genes ativos e, em seguida, classificá-los pela sua forma física. Um bom ponto de partida seria usar a proporção afiada como a função de fitness. Você precisa ter cuidado para aplicar a função de fitness a dados estatisticamente significativos. Por exemplo, se você usou uma estratégia de reversão média que pode trocar uma vez por mês (ou o que é a sua janela de reconversão), sua aptidão é determinada por 1 ou 2 pontos de dados. Isso resultará em uma baixa otimização genética (no meu código i8217ve comentou um teste de estratégia de reversão médio para você). Normalmente, o que acontece é que sua proporção de sharpe de 2 pontos de dados é muito muito alta apenas para a sorte. Você então marca isso como um bom gene e trocá-lo no próximo mês com resultados terríveis. Reprodução de genes Com um genético, você precisa criar genes, para o resto deste post, eu acho que você está se reproduzindo uma vez por mês. Durante a criação, você tira todos os genes do seu grupo gene e classifica-os de acordo com a função de fitness. Você então seleciona os principais genes N e os cria (descarta todos os outros genes que não são úteis). A reprodução consiste em duas partes: Hibridização 8211 Pegue um gene e corte um pedaço fora dele, você pode usar qualquer gerador de números aleatórios que você deseja determinar os locais de corte, troque esse pedaço com um pedaço correspondente de outro gene. Por exemplo. Velho gene: 00 1100 10 e 11 1001 10 (vermelho são os bits selecionados aleatoriamente para cortar) Novo gene: 00 1001 10 e 11 1100 10 Você faz isso por cada par possível de genes na sua lista N superior. Mutação 8211 Após a hibridação passar por todos os seus genes e aleatoriamente inverter os bits com uma probabilidade fixa. A mutação evita que sua estratégia seja bloqueada em um conjunto genético cada encolhimento. Para uma explicação mais detalhada com os diagramas, veja: blog. equametrics deslize para baixo para Algoritmos genéticos e sua aplicação na negociação Razão Sharpe anual (Rf0) 1,15