استفاده از الگوریتم های ژنتیکی برای پیش بینی بازارهای مالی

جاستین کوپر 15+ سال تجربه به عنوان نویسنده اخبار مالی آزاد و متخصص موضوع در سرمایه گذاری ، استراتژی های معاملاتی ، تجزیه و تحلیل فنی و همچنین گزینه ها و مشتقات دارد. او همچنین یک نویسنده منتشر شده از Day Trading: Beat the System و کسب درآمد در هر محیط بازار است.

Samantha Silberstein یک برنامه ریز مالی معتبر ، FINRA سری 7 و 63 دارای مجوز ، نماینده دارای مجوز بیمه زندگی ، تصادف و بیمه درمانی ایالت کالیفرنیا و CFA است. او روزهای خود را با صدها کارمند سازمان های غیرانتفاعی و آموزش عالی در برنامه های مالی شخصی خود می گذراند.

در "پیاده روی تصادفی پایین وال استریت" (1973) ، برتون ملکیل اظهار داشت ، "یک میمون چشم بسته که دارت را در صفحات مالی یک روزنامه پرتاب می کند ، می تواند یک نمونه کارها را انتخاب کند که دقیقاً انجام شود و همچنین با دقت انتخاب شده توسط متخصصان."در حالی که ممکن است تکامل انسان را در انتخاب سهام باهوش تر نداشته باشد ، نظریه چارلز داروین ثابت کرده است که در صورت استفاده مستقیم تر ، مؤثر است.

الگوریتم های ژنتیکی روشهای منحصر به فردی برای حل مشکلات پیچیده با استفاده از قدرت طبیعت هستند. با استفاده از این روش ها برای پیش بینی قیمت های امنیتی ، معامله گران می توانند با شناسایی بهترین مقادیر استفاده برای هر پارامتر برای یک امنیت معین ، قوانین معاملات را بهینه کنند.

غذای اصلی

• الگوریتم های رایانه ای پیچیده مبتنی بر قوانین ژنتیک و نظریه تکاملی شاهد موفقیت های اخیر در تجارت اوراق بهادار بوده اند.
• با استفاده از این روش ها برای پیش بینی قیمت های امنیتی ، معامله گران می توانند قوانین معاملات را بهینه کنند و استراتژی های جدید ایجاد کنند.
• معامله گران انفرادی می توانند با استفاده از چندین بسته نرم افزاری در بازار ، قدرت الگوریتم های ژنتیکی را مهار کنند.

الگوریتم های ژنتیکی چیست؟

الگوریتم های ژنتیکی چیست؟

الگوریتم های ژنتیکی (GAS) روشهای حل مسئله (یا اکتشافی) هستند که روند تکامل طبیعی را تقلید می کنند. این الگوریتم ها برخلاف شبکه های عصبی مصنوعی (ANNS) ، که برای عملکرد مانند نورون ها در مغز طراحی شده اند ، از مفاهیم انتخاب طبیعی استفاده می کنند تا بهترین راه حل برای یک مشکل را تعیین کنند.

در نتیجه ، گاز معمولاً به عنوان بهینه ساز استفاده می شود که پارامترها را برای به حداقل رساندن یا به حداکثر رساندن برخی از اندازه گیری بازخورد تنظیم می کند ، که می تواند به طور مستقل یا در ساخت ANN استفاده شود.(برای کسب اطلاعات بیشتر در مورد ANN ، به: شبکه های عصبی: پیش بینی سود.)

در بازارهای مالی ، الگوریتم های ژنتیکی بیشتر برای یافتن بهترین مقادیر ترکیبی پارامترها در یک قانون تجارت استفاده می شوند و می توانند در مدل های ANN طراحی شده برای انتخاب سهام و شناسایی معاملات ساخته شوند.

الگوریتم های ژنتیکی چگونه کار می کنند

الگوریتم های ژنتیکی با استفاده از بردارها به صورت ریاضی ایجاد می شوند ، که مقادیر دارای جهت و بزرگی هستند. پارامترهای مربوط به هر قانون تجارت با یک بردار یک بعدی نشان داده شده است که می توان از نظر ژنتیکی به عنوان کروموزوم تصور شد. در همین حال ، مقادیر مورد استفاده در هر پارامتر را می توان به عنوان ژن ها تصور کرد ، که سپس با استفاده از انتخاب طبیعی اصلاح می شوند.

به عنوان مثال ، یک قانون معاملات ممکن است شامل استفاده از پارامترهایی مانند حرکت میانگین همگرایی واگرایی (MACD) ، میانگین متحرک نمایی (EMA) و Stochastics باشد. سپس یک الگوریتم ژنتیکی مقادیر را با هدف حداکثر رساندن سود خالص در این پارامترها وارد می کند. با گذشت زمان ، تغییرات کوچکی معرفی می شود و مواردی که تأثیر مطلوب می کنند برای نسل بعدی حفظ می شوند.

سه نوع عملیات ژنتیکی وجود دارد که می توان آنها را انجام داد:

• متقاطع نمایانگر تولید مثل و متقاطع است که در زیست شناسی دیده می شود ، به موجب آن کودک ویژگی های خاصی از والدین خود را به خود اختصاص می دهد.
• جهش ها نشانگر جهش بیولوژیکی هستند و برای حفظ تنوع ژنتیکی از یک نسل از جمعیت به مرحله دیگر با معرفی تغییرات کوچک تصادفی استفاده می شود.
• انتخاب ها مرحله ای است که در آن ژنوم های فردی از جمعیت برای پرورش بعدی (نوترکیبی یا متقاطع) انتخاب می شوند.

این سه عمل سپس در یک فرآیند پنج مرحله ای استفاده می شود:

1. یک جمعیت تصادفی را آغاز کنید ، جایی که هر کروموزوم طول آن است ، و تعداد پارامترها وجود دارد. یعنی تعداد تصادفی پارامترها با هر یک از عناصر N ایجاد می شوند.
2. کروموزومها یا پارامترهایی را انتخاب کنید که نتایج مطلوب را افزایش می دهد (احتمالاً سود خالص).
3. از اپراتورهای جهش یا متقاطع در والدین منتخب استفاده کنید و فرزندان خود را تولید کنید.
4. فرزندان و جمعیت فعلی را برای تشکیل جمعیت جدید با اپراتور انتخاب نوترکیب کنید.
5. مراحل دو تا چهار را تکرار کنید.

با گذشت زمان ، این فرایند منجر به کروموزوم های به طور فزاینده ای (یا پارامترهای) برای استفاده در یک قانون معاملات می شود. این روند هنگام رعایت معیارهای متوقف شده خاتمه می یابد ، که می تواند شامل زمان اجرای ، تناسب اندام ، تعداد نسل ها یا معیارهای دیگر باشد.

استفاده از الگوریتم های ژنتیکی در تجارت

در حالی که الگوریتم های ژنتیکی در درجه اول توسط معامله گران کمی نهادی استفاده می شوند ، معامله گران فردی می توانند از قدرت الگوریتم های ژنتیکی - بدون داشتن مدرک ریاضیات پیشرفته استفاده کنند - با استفاده از چندین بسته نرم افزاری در بازار.

این راه حل ها از بسته های نرم افزاری مستقل است که به سمت بازارهای مالی گرفته تا مواد افزودنی Microsoft Excel که می تواند تجزیه و تحلیل دستی بیشتری را تسهیل کند ، متغیر است.

هنگام استفاده از این برنامه ها ، معامله گران می توانند مجموعه ای از پارامترهایی را تعریف کنند که سپس با استفاده از یک الگوریتم ژنتیکی و مجموعه ای از داده های تاریخی بهینه سازی می شوند. برخی از برنامه ها می توانند از کدام پارامترها و مقادیر برای آنها استفاده کنند ، در حالی که برخی دیگر در درجه اول بر روی به سادگی بهینه سازی مقادیر برای مجموعه مشخصی از پارامترها متمرکز شده اند.

اتصالات منحنی (به عنوان مثال بیش از حد) یا طراحی یک سیستم تجارت در اطراف داده های تاریخی به جای شناسایی رفتار قابل تکرار ، یک خطر بالقوه برای معامله گران با استفاده از الگوریتم های ژنتیکی است. هر سیستم معاملاتی با استفاده از گاز باید قبل از استفاده زنده روی کاغذ آزمایش شود.

انتخاب پارامترها بخش مهمی از فرآیند است و معامله گران باید به دنبال پارامترهایی باشند که مربوط به تغییر در قیمت یک امنیت معین باشد. به عنوان مثال ، شاخص های مختلف را امتحان کنید تا ببینید که آیا به نظر می رسد با چرخش عمده بازار ارتباط دارد یا خیر.

خط پایین

این الگوریتم ها مقدس مقدس نیستند و معامله گران باید مراقب باشند پارامترهای مناسب را انتخاب کنند و نه منحنی مناسب باشند.