Använda genetiska algoritmer för att förutse finansiella marknader

I "A Random Walk Down Wall Street" (1973) föreslog Burton Malkiel, "En ögonbindel apa som kastar dart på en tidnings finansiella sidor kunde välja en portfölj som skulle göra lika bra som en noggrant utvald av experter." Även om evolutionen kan ha gjort människan inte mer intelligent när det gäller att plocka lager, har Charles Darwins teori visat sig vara ganska effektivt när det tillämpas mer direkt.

TUTORIAL: Strategier för urval av aktier

Vad är genetiska algoritmer?

Genetiska algoritmer (GAs) är problemlösningsmetoder (eller heuristik) som efterliknar processen för naturlig evolution. Till skillnad från konstgjorda neurala nätverk (ANN), utformade för att fungera som nervceller i hjärnan, använder dessa algoritmer begreppen naturligt urval för att bestämma den bästa lösningen för ett problem. Som ett resultat används GAs vanligtvis som optimisatorer som justerar parametrar för att minimera eller maximera någon feedbackmätning, som sedan kan användas oberoende eller i konstruktionen av ett ANN. (För mer information om ANN: er, se: Neurala nätverk: Prognoser vinster .)

På de finansiella marknaderna används genetiska algoritmer oftast för att hitta de bästa kombinationsvärdena för parametrar i en handelsregel, och de kan byggas in i ANN-modeller som är utformade för att välja aktier och identifiera handel. Flera studier har visat effektiviteten hos dessa metoder, inklusive "Genetic Algoritms: Genesis of Stock Evaluation" (2004) och "The Applications of Genetic Algoritms in Stock Market Data Mining Optimization" (2004). (För mer, se: Hur handelsalgoritmer skapas .)

Vad är genetiska algoritmer?

Hur genetiska algoritmer fungerar

Genetiska algoritmer skapas matematiskt med hjälp av vektorer, som är kvantiteter som har riktning och storlek. Parametrar för varje handelsregel representeras med en endimensionell vektor som kan betraktas som en kromosom i genetiska termer. Samtidigt kan värdena som används i varje parameter betraktas som gener, som sedan modifieras med naturligt val.

Exempelvis kan en handelsregel involvera användning av parametrar som rörligt medelkonvergensdivergens (MACD), ett exponentiellt rörligt medelvärde (EMA) och stokastik. En genetisk algoritm skulle sedan mata in värden i dessa parametrar med målet att maximera nettovinsten. Med tiden införs små förändringar, och de som gör önskvärda effekter behålls för nästa generation. (Se även: Grunderna i algoritmisk handel .)

Det finns tre typer av genetiska operationer som sedan kan utföras:

• Crossovers representerar reproduktionen och crossover som ses i biologin, varigenom ett barn tar på sig vissa egenskaper hos sina föräldrar.
• Mutationer representerar biologisk mutation och används för att upprätthålla genetisk mångfald från en generation av befolkningen till nästa genom att införa slumpmässiga små förändringar.
• Urval är det stadium där enskilda genom väljs från en population för senare avel (rekombination eller korsning).

Dessa tre operationer används sedan i en femstegsprocess:

1. Initiera en slumpmässig population, där varje kromosom är n- längd, där n är antalet parametrar. Det vill säga ett slumpmässigt antal parametrar etableras med n element vardera.
2. Välj kromosomer eller parametrar som ökar önskvärda resultat (förmodligen nettovinst).
3. Applicera mutations- eller crossover-operatörer på de valda föräldrarna och generera ett avkomma.
4. Rekombinera avkomman och den aktuella befolkningen för att bilda en ny population med urvalsoperatören.
5. Upprepa steg två till fyra.

Med tiden kommer denna process att resultera i alltmer gynnsamma kromosomer (eller parametrar) för användning i en handelsregel. Processen avslutas sedan när stoppkriterierna uppfylls, vilket kan inkludera körtid, kondition, antal generationer eller andra kriterier.

Använda genetiska algoritmer i handeln

Medan genetiska algoritmer främst används av institutionella kvantitativa handlare, kan enskilda handlare utnyttja kraften hos genetiska algoritmer - utan examen i avancerad matematik - med hjälp av flera mjukvarupaket på marknaden. Dessa lösningar sträcker sig från fristående programvarupaket inriktade på finansmarknaderna till Microsoft Excel-tillägg som kan underlätta mer praktisk analys.

När de använder dessa applikationer kan handlare definiera en uppsättning parametrar som sedan optimeras med hjälp av en genetisk algoritm och en uppsättning historiska data. Vissa applikationer kan optimera vilka parametrar som används och värdena för dem, medan andra främst är inriktade på att helt enkelt optimera värdena för en given uppsättning parametrar. (För mer information om dessa program härrörande strategier, se: The Power of Program Trades .)

Kurvanpassning (överanpassning), eller utforma ett handelssystem kring historiska data snarare än att identifiera repeterbart beteende, utgör en potentiell risk för handlare som använder genetiska algoritmer. Alla handelssystem som använder GA: er bör testas framåt på papper före levande användning.

Att välja parametrar är en viktig del av processen, och handlare bör söka efter parametrar som korrelerar med förändringar i priset för en viss säkerhet. Testa till exempel olika indikatorer för att se om några verkar korrelera med stora marknadsvängningar. (För mer, se: Välja rätt programvara för algoritmisk handel .)

Poängen

Genetiska algoritmer är unika sätt att lösa komplexa problem genom att utnyttja kraften i naturen. Genom att använda dessa metoder för att förutsäga säkerhetspriser kan handlare optimera handelsreglerna genom att identifiera de bästa värdena som ska användas för varje parameter för en viss säkerhet. Dessa algoritmer är dock inte den heliga gralen, och handlare bör vara noga med att välja rätt parametrar och inte kurvpassning. (För ytterligare läsning, kolla in: Hur du kodar din egen Algo Trading Robot .)