Um sistema de comércio de Forex baseado em um algoritmo genético. Citar este artigo como Mendes, L Godinho, P Aplicações Kluwer Acadêmico, Dordrecht 1996 MATH Google Scholar. Park, C - H Irwin, SH O que sabemos sobre a rentabilidade da análise técnica J Econ Usando algoritmos genéticos para otimização robusta em aplicações financeiras Neural Netw World 5 4, 573 587 1995 Google Scholar. Reeves, CR Usando algoritmos genéticos com pequenas populações Em Processos da Quinta Conferência Internacional sobre Algoritmos Genéticos Morgan Kaufmann, San Mateo 1993 Google Scholar. Rothlauf, F Goldberg, D Representações redundantes em computação evolutiva Illinois Genética Algoritmos Laboratório IlliGAL Relatório 2002.Schulmeister, S Componentes da rentabilidade da técnica de câmbio Appl Financ Econ 18 11, 917 930 2008 CrossRef Google Scholar. Sweeney, RJ Superando o mercado de câmbio J Finanças 41 1, 163 182 1986 Goo Gle Scholar. Wilson, G Banzhaf, W Interday troca de divisas usando programação genética linear Em Proceedings da 12 ª Conferência Anual sobre Computação Genética e Evolutiva GECCO 10 2010 Google Scholar. Copyright informações. Springer Science Business Media, LLC 2012.Autros e Afiliações. Lus Mendes. Pedro Godinho. Email author.1 Faculdade de Economia Universidade de Coimbra Coimbra Portugal.2 Faculdade de Economia e GEMF Universidade de Coimbra Coimbra Portugal.3 Faculdade de Economia e Inesc - Coimbra Universidade de Coimbra Coimbra Portugal. About este artigo. Existe um vasto corpo de literatura sobre o sucesso da aplicação de algoritmos evolutivos em geral, eo algoritmo genético em particular, para os mercados financeiros. No entanto, sinto-me desconfortável sempre lendo este Literatura Algoritmos genéticos podem sobre-ajustar os dados existentes Com tantas combinações, é fácil vir acima com algumas regras que trabalham Pode não ser robusto e não tem uma explicação consistente de por que esta regra funciona e essas regras não Além do mero argumento circular de que ele funciona porque o teste mostra que funciona. Qual é o consenso atual sobre a aplicação do algoritmo genético em finanças. asked Feb 1 8 11 at 9 00. Eu trabalhei em um fundo de hedge que permitiu GA-estratégias derivadas Para a segurança, exigiu que todos os modelos sejam submetidos muito antes da produção para se certificar de que eles ainda trabalhavam nos backtests Assim, poderia haver um atraso de até A vários meses antes de um modelo seria permitido para run. It s também útil para separar o universo de exemplo usar uma metade aleatória das ações possíveis para a análise de GA ea outra metade para backtests de confirmação. É que um processo diferente do que você usaria antes Confiando em qualquer outra estratégia de negociação Se assim for, não está claro para mim o que você ganha de fazer um modelo de GA usando dados para o tempo t, em seguida, testando até t N antes de confiar nele, versus usar dados para tN tempo, E usá-lo imediatamente Darren Cook novembro 23 11 at 2 08. DarrenCook uma questão que eu vejo é que se você testar de tN para t e encontrá-lo não funciona bem, então você vai criar outro modelo que é testado na mesma hora Período tN a t ad infinitum Que introduz o semelhante De acordo com a análise de dados, se um GA é implementado corretamente, isso não deveria ser uma preocupação. As funções de mutação são especificamente incluídas para procurar aleatoriamente o problema Espaço e evitar dados snooping Dito isto, encontrar os níveis de mutação direito pode ser algo de uma arte e se os níveis de mutação são muito baixos, então é como se a função não foi implementado em primeiro lugar BioinformaticsGal 6 de abril 11 em 16 28. BoinformaticsGal Eu não entendo como a inclusão de funções de mutação nos permite evitar dados snooping Após a busca, há uma função de fitness que faz cada geração ajustar os dados cada vez mais Ou não estou entendendo corretamente Vishal Belsare Sep 15 11 at 18 05. Há muita gente aqui falando sobre como as AGs são empíricas, não têm fundamentos teóricos, são caixas negras, e como eu imploro para diferir Há um ramo inteiro da economia dedicado a olhar Mercados em termos de metáforas evolutivas Economia Evolutiva. Eu recomendo altamente o livro de Dopfer, as fundações evolucionárias da economia, como uma intro. Se sua opinião filosófica é que o mercado é basicamente um casino gigante, ou um jogo, então um GA é simplesmente um preto No entanto, se a sua filosofia é que o mercado é uma sobrevivência do ecossistema mais apto, então GA s tem abundância de fundamentos teóricos, e é perfeitamente razoável para discutir coisas como especiação corporativa, Ecologias de mercado, genomas de carteira, climas de negociação, e assim por diante. 5 de abril de 11 em 15 42.At escalas de curto prazo é mais um casino Como a natureza, de fato quantdev 5 de abril de 11 em 20 46. quantdev, o problema com isso é Que GA - como quaisquer outros métodos quantitativos - só funciona com escala de tempo curto, se eu não estou enganado Então, se mercado de ações é mais como um mercado de ações, então GA seria completamente inútil Graviton Abril 6 11 at 8 56. Graviton Lá Não há razão inerente para Não se pode programar um GA para fazer análise em intervalos de tempo mais longos O domínio de tempo de um GA é medido em gerações, não em anos ou dias Então, seria simplesmente necessário definir uma população contendo indivíduos cujas gerações são anos ou décadas, Tem sido definitivamente um trabalho que se aproxima definindo genomas corporativos por seus processos de produção Em tal modelo, um seria otimizar para um modelo de negócios corporativo eficiente, dado um clima de mercado específico Não é um modelo de carteira de preço das ações, no entanto BioinformaticsGal Abr 6 11 at 15 12. Assumindo que você evita o viés de snooping de dados e todas as armadilhas potenciais de usar o passado para prever o futuro, confiar em algoritmos genéticos para encontrar a solução certa praticamente se resume à mesma aposta que você faz quando você gerencia ativamente um portfólio, quantitativamente Ou discricionário Se você acredita na eficiência do mercado, em seguida, aumentar seus custos de transação de gestão activa é ilógico Se, no entanto, você acredita que a Re são padrões psicológicos estruturais ou falhas a serem explorados eo pagamento vale a pena o tempo eo dinheiro para pesquisar e implementar uma estratégia a escolha lógica é gestão ativa. Running uma estratégia derivada GA é uma aposta implícita contra a eficiência do mercado Você está basicamente dizendo que eu acho Há mis-avaliações que ocorrem de algumas massas razão de pessoas irracionais, fundos mútuos pastoreio por causa de incentivos mis-alinhados, etc e executando este GA pode classificar esta massa de dados de maneira mais rápida do que eu can. answered 18 fev 11 em 15 49 Gerir manualmente um portfólio ativo envolve o uso de todas as informações que temos e derivar uma conclusão lógica sobre o mercado e, em seguida, executar estratégias sobre ele esta é uma atividade racional OTOH, usando GA está usando uma ferramenta de caixa-preta não podemos explicar o resultado derivado De qualquer princípio aceito Eu não tenho certeza se estes dois são realmente os mesmos Graviton Feb 18 11 at 15 57. Graviton Sim, mas considere as semelhanças entre GA s e como nós Quando você pesquisa o que ganhar ou perdendo ações têm em comum, ou que o volume e os padrões de preços criar bons negócios, ou que o modelo é o mais exato para a valorização de derivativos O que você está fazendo é mineração de dados do passado de uma maneira Quando as condições de mercado mudam você ou comércio novas estratégias ou, eventualmente, sair do negócio Se houver aberturas exploráveis no mercado, então a única diferença entre você e um GA é Joshua Chance fevereiro 18 11 em 16 46. Graviton em um sentido muito amplo é que você tem uma narrativa, uma história para ir com a sua estratégia Nós os seres humanos risco de encontrar um padrão aparentemente recorrente e, em seguida, racionalizá-lo e criar uma narrativa GA s risco a mesma coisa, O modelo potencialmente falso não usa palavras, eles usam matemática e lógica Joshua Chance Feb 18 11 at 16 54. O falecido Thomas Cover provavelmente o principal teórico da informação de sua geração, considerado Universa L se aproxima de coisas como compactação de dados e alocações de portfólios como verdadeiros algoritmos genéticos. A evolução não tem parâmetros para caber ou treinar. Por que os verdadeiros algoritmos genéticos. Aproximações universais não fazem suposições sobre a distribuição subjacente de dados Eles não fazem previsão do futuro a partir de padrões Ou qualquer outra coisa. A eficácia teórica de abordagens universais que apresentam desafios de implementação significativa ver minha pergunta recente Geometria para Portfólios Universal seguir a partir deles fazer o que a evolução exige O mais rápido, mais inteligente ou mais forte don t necessariamente sobreviver na próxima geração Evolução favorece esse gene, Organismo, meme, carteira ou algoritmo de compressão de dados posicionado para mais facilmente adaptar-se ao que acontece next. Also, porque essas abordagens fazem não fazer suposições e operar não-parametricamente, pode-se considerar todos os testes, mesmo em todos os dados históricos, Certamente eles têm limitações, Certamente eles não podem trabalhar para cada Tipo um problema que enfrentamos em nosso domínio, mas gee, o que é uma maneira interessante de pensar sobre as coisas. Respondido Jul 14 13 at 15 42. Bem, o objetivo de um algo genética é encontrar a melhor solução sem passar por todos os possíveis Cenários, porque seria muito longo Então, é claro, é a curva de ajuste, que s o goal. answered Mar 6 11 em 20 40. Mas há uma diferença significativa entre superação da amostra ruim e montagem da população boa É por isso que muitos sugerem que você Cross-validar seu algoritmo com teste fora da amostra Joshua Jul 17 13 at 2 34.Your Answer.2017 Stack Exchange, Inc. Usando Algoritmos Genéticos Para Previsão Financial Markets. Burton sugeriu em seu livro, A Random Walk Down Wall Street, 1973 que, Um macaco de olhos vendados jogando dardos em páginas financeiras de um jornal s poderia selecionar um portfólio que faria tão bem como um cuidadosamente selecionado por especialistas Embora a evolução pode ter feito homem não mais inteligente na colheita de ações, a teoria de Charles Darwin tem bastante eficaz W Hen aplicado mais diretamente Para ajudá-lo a escolher estoques, confira Como escolher um estoque. O que são Algoritmos Genéticos. Algoritmos genéticos GAs são métodos de resolução de problemas ou heurísticas que imitam o processo de evolução natural Ao contrário das redes neurais artificiais ANNs, projetado para funcionar como neurônios No cérebro, esses algoritmos utilizam os conceitos de seleção natural para determinar a melhor solução para um problema. Como resultado, GAs são comumente usados como otimizadores que ajustam parâmetros para minimizar ou maximizar alguma medida de realimentação, que pode então ser usada independentemente ou no Construção de uma ANN. Nos mercados financeiros algoritmos genéticos são mais comumente usados para encontrar os melhores valores de combinação de parâmetros em uma regra de negociação, e eles podem ser construídos em modelos ANN concebido para escolher ações e identificar negócios Diversos estudos têm demonstrado que esses métodos Pode ser eficaz, incluindo Genetic Algorithms Genesis of Stock Evaluation 2004 por Rama, e The Applications of Genetic Algor Os algoritmos genéticos são criados matematicamente usando vetores, que são quantidades que têm direção e magnitude. Parâmetros Para cada regra de negociação são representados com um vetor unidimensional que pode ser pensado como um cromossomo em termos genéticos. Enquanto isso, os valores usados em cada parâmetro podem ser pensados como genes, que são então modificados usando a seleção natural. Por exemplo, um Negociação pode envolver o uso de parâmetros como Moving Average Convergência-Divergência MACD Exponencial Moving Average EMA e estocástica Um algoritmo genético, então, valores de entrada para esses 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. Crossover S representam a reprodução e cruzamento biológico visto na biologia, pelo qual uma criança assume certas características de seus pais. As mutações representam mutação biológica e são usadas para manter a diversidade genética de uma geração de uma população para a próxima, introduzindo pequenas mudanças aleatórias. A fase em que os genomas individuais são escolhidos a partir de uma população para posterior recombinação cruzamento ou crossover. Estes três operadores são então utilizados em um processo de cinco passos. Initialize uma população aleatória, onde cada cromossomo é n-comprimento, sendo n o número de Parâmetros Isto é, um número aleatório de parâmetros são estabelecidos com n elementos each. Select os cromossomas, ou parâmetros, que aumentam os resultados desejáveis presumivelmente lucro líquido. Aplicar mutação ou crossover operadores para os pais selecionados e gerar uma descendência. Recombine a descendência eo População atual para formar uma nova população com o operador de seleção. Repita os passos dois a quatro. O processo resultará em cromossomos cada vez mais favoráveis ou, parâmetros para uso em uma regra de negociação O processo é então terminado quando um critério de parada é cumprido, que pode incluir tempo de execução, aptidão, número de gerações ou outros critérios. MACD Divergence. Using Algoritmos Genéticos em Trading. While algoritmos genéticos são usados principalmente por comerciantes institucionais quantitativos comerciantes individuais podem aproveitar o poder de algoritmos genéticos - sem um grau em matemática avançada - usando vários pacotes de software no mercado Estas soluções variam de pacotes de software autônomo Orientado para os mercados financeiros para Microsoft Excel add-ons que podem facilitar mais hands-on analysis. When usando essas aplicações, os comerciantes podem definir um conjunto de parâmetros que são então otimizado 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 simp Otimizando os valores para um determinado conjunto de parâmetros Para saber mais sobre essas estratégias derivadas de programas, consulte O Poder do Programa Trades. Important Dicas de Otimização e Tricks. Curve montagem sobre montagem, projetar um sistema de comércio em torno de dados históricos em vez de identificar o comportamento repetível, Representa um risco potencial para os comerciantes usando algoritmos genéticos Qualquer sistema de negociação usando GAs deve ser testado em frente no papel antes do uso ao vivo. Selecionar parâmetros é uma parte importante do processo, e os comerciantes devem procurar parâmetros que se correlacionam com as mudanças no preço de um Algoritmos genéticos são formas únicas de resolver problemas complexos aproveitando 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 um determinado valor. No entanto, esses algoritmos são Não o Santo Graal, e os comerciantes devem ter o cuidado de escolher os parâmetros certos e não curva de ajuste sobre o ajuste Para ler mais sobre o mercado, confira Ouvir o mercado, não é seu Pundits.
No comments:
Post a Comment