Sistema de negociação de programação genética

Estratégias de negociação em evolução com programação genética - Funções de fitness.
No núcleo de cada estratégia de programação genética (GP) é a função de fitness. A função de fitness especifica o que todo o processo evolutivo está procurando. Cada indivíduo recebe um valor de aptidão, que é calculado pela função de fitness. Indivíduos com um alto valor de aptidão têm uma chance maior de serem selecionados para reprodução e assim criar filhos. Encontrar um "bom" A função de fitness é um dos aspectos de design mais importantes do processo de desenvolvimento. Raramente é o caso de a primeira idéia de uma função de fitness já produzir excelentes resultados, e a definição de um exige uma compreensão bastante profunda do domínio do problema. A lista a seguir contém algumas decisões de design necessárias:
Minimizar versus maximizar os valores de aptidão Objetivo único versus multi-objetivo Normalização de valores de aptidão Atribuição de pesos a componentes individuais da função de fitness.
Vamos dar uma olhada em cada decisão necessária.
Maximização vs. minimização.
As funções de fitness podem, naturalmente, maximizar certas medidas de alvo ou podem minimizá-las. As medidas de alvo típicas para maximizar podem ser o retorno total, o valor esperado, o tamanho médio das negociações vencedoras ou a taxa de sucesso. As medidas típicas do objetivo para minimizar poderiam ser o máximo de redução, o número máximo de negociações perdidas consecutivas ou a volatilidade da curva de ações. Uma situação comum é maximizar alguns e minimizar outros valores físicos ao mesmo tempo.
Objetivo único versus multi-objetivo.
Uma função de fitness com um único objetivo tenta maximizar (ou minimizar) um único valor de aptidão. Esse valor de aptidão pode ser o resultado de uma fórmula matemática combinando vários componentes individuais, por exemplo.
Na função de aptidão de amostra acima, embora seja possível, seria uma má idéia usar valores negativos para a medida de redução máxima (argumentando que uma redução pode ser interpretada como um retorno negativo), pois isso seria bastante confuso.
Neste artigo, continuarei a referir-me a tais "funções combinadas de fitness" como único objetivo, porque o valor final da aptidão é um valor único. Em contraste, as funções de aptidão multi-objetivos não tentam agregar múltiplas medidas de alvo em um único valor de aptidão, mas diretamente no espaço de busca multidimensional sem reduzir o número de dimensões. As funções de fitness multi-objetivos para GP podem ser bastante complicadas de implementar, mas, da minha experiência, elas podem realmente levar a resultados superiores em comparação com as de um único objetivo. Eu já mencionei duas dessas funções de fitness em um artigo anterior: o algoritmo genético de triagem não dominado (NSGA) e o algoritmo evolutivo pareto de força (SPEA), ambos dos quais considero muito poderoso. Esses algoritmos realmente operam diretamente em uma paisagem de fitness multidimensional & quot; sem reduzir a paisagem num "raio de número de aptidão" unidimensional como combinam funções de aptidão de um único objetivo. O leitor também deve estar ciente de que ambos os algoritmos pelo seu projeto predetermem os operadores de seleção de GP e mutação. As implementações de trabalho para ambos os algoritmos podem ser encontradas na biblioteca ECJ.
Normalização de valores físicos.
Às vezes, é necessário normalizar os valores da aptidão para um intervalo predeterminado. Isso pode, por exemplo, ser o caso, se existirem poucos exatos que estejam muito distantes dos outros valores físicos. Se um operador de seleção proporcional de fitness for aplicado, esses outliers podem facilmente dominar todos os outros, o que raramente é desejado. Uma alternativa seria usar valores de fitness baseados em rank, uma vez que não sofrem com esse problema.
Outro problema é a diferença relativa nos tamanhos dos componentes de valor de aptidão envolvidos. Considere a seguinte função de fitness:
Por estes motivos (especialmente quando se usa uma função de aptidão combinada de um único objetivo), a normalização dos componentes individuais é geralmente necessária. Existem três alternativas diferentes:
Se todos os componentes na função de fitness puderem ter distribuições similares (ou seja, média e desvio padrão), então uma normalização pode não ser necessária. No entanto, isso raramente é o caso. Os outliers são de fato um fenômeno comum.
2. Normalização de componentes de valor físico com distâncias proporcionadas.
O melhor componente de valor de fitness recebe um valor predefinido de 1.0, o pior 0.0. Todos os outros componentes do valor da aptidão estão em distância proporcional entre os dois. (Koza preferiu uma ordem inversa com o melhor componente de valor físico recebendo o valor 0.0 e o pior 1.0. A tarefa correspondente é, então, minimizar esse componente em vez de maximizá-lo.) Este procedimento ainda é problemático se existirem outliers, mas às vezes - dependendo de uma escolha de operadores de seleção - pode ser desejado preservar as distâncias relativas entre valores.
3. Normalização dos componentes do valor da aptidão, ordenando primeiro todos os componentes de acordo com sua classificação.
Como no procedimento prévio, o melhor componente de valor físico recebe um valor de 1,0 e o pior 0,0 (ou vice-versa). Todos os outros estão em igual distância uns dos outros de acordo com sua classificação. Ao contrário do último procedimento, este também resolve o problema dos outliers. No entanto, as informações relevantes relativas às distâncias relativas entre os componentes do valor da aptidão são perdidas de forma irrevogável.
Armadilhas comuns.
Da minha experiência há algumas armadilhas comuns para iniciantes no que se refere ao design de funções de fitness. Um iniciante típico provavelmente tentará aplicar uma função de aptidão de objetivo único e tentar maximizar o retorno total. Isso é facilmente compreensível. Afinal, em última análise, é a quantidade de dinheiro que sua estratégia de negociação gerou, não é? Na medida em que esta abordagem raramente leva a bons resultados. Embora a lógica aplicada seja válida, existem todos os tipos de problemas não resolvidos com a maximização do retorno total. Aqui estão alguns pontos a considerar:
A estratégia depende de muito poucos negócios.
Em um mercado de preços crescentes, muitas vezes é difícil vencer o mercado e gerar alfa real. Uma estratégia de compra e retenção tem a vantagem de ter custos comerciais muito baixos. Portanto, nesta situação, não é incomum que a estratégia de negociação com o melhor desempenho seja simplesmente comprar no início e manter até o final. As melhores estratégias de negociação evoluídas, em conformidade, provavelmente não terão poucos negócios - o que é conseqüente, mas ainda não é desejável. Essas estratégias de negociação não representam uma maneira repetitiva de sucesso. Eles basicamente apenas executam, evitando os custos de negociação. Esteja ciente de que tais estratégias de negociação preguiçosas e quot; também pode implicar uma maior volatilidade do que você está preparado para aceitar. Isso é porque eles simplesmente repetem a evolução dos preços de mercado devido a suas táticas de compra e retenção.
Por esse motivo, pode ser interessante testar uma versão melhorada da função de fitness que corrige o número de negócios, por exemplo, a soma ou produto do retorno total normalizado e o número total normalizado de negócios. Adicionando pesos a cada componente de fitness também pode ser de interesse.
A estratégia depende de poucos negócios vencedores.
Um problema relacionado é evoluir estratégias que dependem fortemente de alguns negócios vencedores muito selecionados em comparação com muitos negócios perdidos. Teoricamente, esta é uma estratégia sólida, desde que o valor esperado global ainda seja positivo (veja mais adiante). No entanto, é preciso ter muito cuidado. Se as negociações vencedoras são muito poucas, a estratégia poderá novamente não representar uma maneira repetitiva de sucesso. Em outras palavras, a distribuição dos negócios vencedores versus perdedores também é importante. Se você faltasse o Dow Jones Industrial Average (DJIA) antes da Black Monday de 19 de outubro de 1987, você poderia ter feito uma fortuna. (O DJIA caiu 22,61% apenas nesse dia.) Se você tem apenas um único comércio como este na sua estratégia de backtest, isso ainda pode constituir anos de pequenas perdas. Mas uma vez que um movimento desta magnitude ocorre estatisticamente apenas muito, muito raramente você não pode confiar nisso estrategicamente. (No entanto, você deve estar preparado para que isso ocorra à desvantagem, caso contrário, tal perda poderia efetivamente eliminá-lo.) Lembre-se de que, com a crescente freqüência na ocorrência de falhas no flash, esse problema aumentou do que diminuído.
Os outliers dominam a seleção proporcional ao fitness.
Outro problema é a existência de outliers. Acontece com frequência que alguns indivíduos são muito superiores a todos os outros indivíduos na geração que tendem a dominar todos os outros, embora não representem um ótimo global, mas apenas um local. Caso se utilizem operadores de seleção proporcionais de fitness em vez de operadores de seleção baseados em rank, os outliers têm chances muito maiores de serem selecionados para reprodução. Repetição do processo evolutivo com a mesma semente aleatória (assumindo um aplicativo de um único segmento sem condições de tempo de execução), é claro, apenas repita o resultado, portanto recomenda-se o re-funcionamento com sementes aleatórias variadas.
Isso pode acontecer tanto com funções de aptidão simples quanto multi-objetivas. Às vezes, em funções de fitness multi-objetivos, a habilidade de um indivíduo pode estar localizada na "fronteira". da paisagem de fitness, com, por exemplo, um componente de fitness sendo o máximo de todos os valores e o outro sendo zero. Muitas vezes, é útil traçar a distribuição relativa dos valores físicos para obter uma impressão.
Medidas de fitness sugeridas.
Esta é uma lista de medidas físicas que, pessoalmente, considero que vale a pena experimentar em combinação. I provavelmente começará com uma função de aptidão de objetivo único, maximizando apenas o valor esperado. Mais tarde, uma vez que a função de fitness multi-objetivo está no lugar, eu também adicionar outros componentes de fitness.
Maximize o valor esperado (EV): a fórmula é EV = Média da vitória * p Vitória - Perda média * p Perda, com a perda média (perda) sendo o retorno médio de um comércio vencedor (perdedor) e p (p perda) probabilidade de um comércio vencedor (perdedor). Claro que o relacionamento p Win = 1.0 - p Loss deve ser mantido. O valor esperado deve ser um número positivo - se não for, então o sistema certamente perderá dinheiro no longo prazo! Considero que esta é a medida mais direta e intuitiva para maximizar para cada sistema de comércio. (Para negociações de soma zero, ou seja, negociações que não geram nem perdem dinheiro, eu considero-as como perdedores, no entanto, como há quase sempre uma "opção de juros livres de risco" à qual o dinheiro poderia ter sido atribuído .)
Minimizar a redução máxima: ninguém gosta de perder dinheiro nos mercados. Um problema comum é saber quando desligar uma estratégia de negociação porque, supostamente, não funciona mais. O comércio é, portanto, sempre também um jogo psicológico, você realmente confia em sua estratégia? Ter grandes remessas pode explodir sua conta e levar a chamadas de margem no pior momento possível.
Maximize o número de negócios: este é um complicado que os iniciantes podem não chegar facilmente. Todo comércio tem suas taxas. Às vezes, GP pode atribuir funções de fitness muito altas a estratégias de negociação com apenas muito poucos (mas todos os ganhos) comércios. Tais estratégias são artefatos baseados em comportamentos aleatórios, pois não representam sucesso comercial significativo e reprodutível. Maximizar o número de negócios em combinação com o valor talvez esperado é uma contra-medida contra esse problema. No entanto, esta medida pode ser problemática, pois dá preferência a muitas tradições de curto prazo. Ao usar esta medida de fitness, é, portanto, imperativo contabilizar as taxas de negociação e possivelmente a derrapagem.
Maximize o retorno total: Embora seja muito simples e intuitivo, maximizar o retorno total geralmente é apenas uma boa idéia em combinação com outras medidas de fitness.

sistema de comércio de programação genética
Criando um Sistema de Negociação no Laboratório de Sistemas de Negociação.
O Trading System Lab gerará automaticamente Sistemas de Negociação em qualquer mercado em poucos minutos, usando um programa de computador muito conhecido, conhecido como AIMGP (Indução Automática de Código de Máquina com Programação Genética). A criação de um sistema de negociação no Trade System Lab é realizada em 3 etapas fáceis. Primeiro, é executado um pré-processador simples que extrai e pré-processa automaticamente os dados necessários do mercado com o qual você deseja trabalhar. A TSL aceita dados CSI, MetaStock, AIQ, TradeStation, dados de Internet gratuitos, ASCII, TXT, CSV, CompuTrac, DowJones, FutureSource, TeleChart2000v3, TechTools, XML, Binário e Internet. Em segundo lugar, o gerador do sistema de negociação (GP) é executado por vários minutos, ou mais, para evoluir um novo sistema de negociação. Você pode usar seus próprios dados, padrões, indicadores, relações de inter-mercado ou dados fundamentais dentro do TSL. Terceiro, o Sistema de Negociação evoluído é formatado para produzir novos sinais do Sistema de Negociação dentro da TradeStation ™ ou muitas outras plataformas de negociação. O TSL escreverá automaticamente Easy Language, Java, Assembler, código C, código C # e WealthLab Script Language. O Trading System pode então ser negociado manualmente, negociado através de um corretor ou negociado automaticamente. Você pode criar o Trading System você mesmo ou podemos fazer isso por você. Então, você ou o seu corretor podem trocar o sistema manualmente ou automaticamente.
O Programa de Genética do Sistema de Negociação do Comércio contém vários recursos que reduzem a possibilidade de montagem da curva ou produzem um Sistema de Negociação que não continua a atuar no futuro. Em primeiro lugar, os Sistemas de Negociação evoluídos têm seu tamanho reduzido ao tamanho mais baixo possível através do que é chamado de Pressão Parsimonia, extraindo do conceito de comprimento mínimo da descrição. Assim, o sistema de negociação resultante é o mais simples possível e, em geral, acredita-se que, quanto mais simples for o Sistema de Negociação, melhor será no futuro. Em segundo lugar, a aleatoriedade é introduzida no processo evolutivo, o que reduz a possibilidade de encontrar soluções que sejam localmente, mas não globalmente otimizadas. A aleatoriedade é introduzida sobre não apenas as combinações do material genético utilizado nos Sistemas de Negociação evoluídos, mas em Parsimony Pressure, Mutation, Crossover e outros parâmetros de GP de nível superior. O teste de fora da amostra é realizado enquanto o treinamento está em andamento com informações estatísticas apresentadas nos testes de Teste de Amostra e Fora do Teste de Amostra. Os registros de execução são apresentados ao usuário para dados de treinamento, validação e fora de amostra. Bem comportado O desempenho fora da amostra pode ser indicativo de que o Sistema de Negociação está evoluindo com características robustas. A deterioração substancial no teste automático de Out of Sample em comparação com o teste In Sample pode implicar que a criação de um Sistema de Negociação robusto está em dúvida ou que o Terminal ou Conjunto de Entrada pode precisar ser alterado. Finalmente, o Conjunto de terminais é cuidadosamente escolhido, de modo a não prejudicar demais a seleção do material genético inicial em relação a qualquer viés ou sentimento de mercado específico.
O TSL não começa a ser executado com um Sistema de Negociação predefinido. Na verdade, apenas o conjunto de entradas e uma seleção de modos ou modos de entrada no mercado, para busca e atribuição automática de entrada, são feitos inicialmente. Um padrão ou comportamento indicador que pode ser pensado como uma situação de alta pode ser usado, descartado ou invertido dentro do GP. Nenhum padrão ou indicador é pré-atribuído a qualquer viés de movimento de mercado específico. Esta é uma saída radical do desenvolvimento do sistema de negociação gerado manualmente.
Um Sistema de Negociação é um conjunto lógico de instruções que dizem ao comerciante quando comprar ou vender um mercado específico. Essas instruções raramente exigem intervenção de um comerciante. Os Sistemas de Negociação podem ser negociados manualmente, observando as instruções de negociação em uma tela do computador, ou podem ser negociados, permitindo que o computador entre em negociações no mercado automaticamente. Ambos os métodos estão em uso generalizado hoje. Existem mais gerentes de dinheiro profissionais que se consideram comerciantes "sistemáticos ou mecânicos" do que aqueles que se consideram "discretos", e o desempenho dos gerentes de dinheiro sistemáticos é geralmente superior ao dos gestores de dinheiro discrecional. Estudos mostraram que as contas de negociação geralmente perdem dinheiro com mais freqüência se o cliente não estiver usando um Sistema de Negociação. O aumento significativo nos sistemas de negociação nos últimos 10 anos é evidente, especialmente nas corretora de commodities, no entanto, as empresas de corretagem de mercado de ações e títulos estão cada vez mais conscientes dos benefícios através do uso de sistemas de negociação e alguns começaram a oferecer sistemas de negociação para seus clientes de varejo.
A maioria dos gestores de fundos mútuos já estão usando algoritmos computacionais sofisticados para orientar suas decisões quanto ao "estoque quente a escolher" ou o que "rotação do setor" é favorável. Computadores e algoritmos tornaram-se mainstream no investimento e esperamos que essa tendência continue a ser mais jovem, os investidores mais experientes em informática continuam a permitir que partes do seu dinheiro sejam gerenciadas pelos sistemas de negociação para reduzir o risco e aumentar os retornos. As enormes perdas experimentadas pelos investidores que participam da compra e detenção de ações e fundos de investimento como o mercado de ações derretido nos últimos anos está promovendo esse movimento para uma abordagem mais disciplinada e lógica para investir no mercado de ações. O investidor médio percebe que ele ou ela atualmente permite que muitos aspectos de suas vidas e a vida de seus entes queridos sejam mantidos ou controlados por computadores, como os automóveis e as aeronaves que usamos para o transporte, o equipamento de diagnóstico médico que usamos para a manutenção da saúde, os controladores de aquecimento e refrigeração que usamos para controle de temperatura, as redes que usamos para informações baseadas na internet, até mesmo os jogos que jogamos para entretenimento. Por que, então, alguns investidores de varejo acreditam que podem "disparar do quadril" em suas decisões sobre "o que" estoque ou fundo mútuo para comprar ou vender e esperar ganhar dinheiro? Finalmente, o investidor médio ficou cauteloso com os conselhos e informações encaminhados por corretores, contadores, diretores corporativos e consultores financeiros sem escrúpulos.
Nos últimos 20 anos, matemáticos e desenvolvedores de software pesquisaram indicadores e padrões em mercados de ações e commodities buscando informações que possam apontar para a direção do mercado. Essas informações podem ser usadas para melhorar o desempenho dos Sistemas de Negociação. Geralmente, este processo de descoberta é realizado através de uma combinação de testes e erros e mais sofisticados "Mineração de Dados". Normalmente, o desenvolvedor levará semanas ou meses de crunching de números para produzir um potencial Sistema de Negociação. Muitas vezes, este sistema de negociação não funcionará bem quando usado no futuro devido ao que é chamado de "ajuste de curva". Ao longo dos anos, tem havido muitos sistemas de negociação (e empresas de desenvolvimento de sistemas de negociação) que vieram e foram, já que seus sistemas falharam na negociação ao vivo. O desenvolvimento de sistemas de negociação que continuam a atuar no futuro é difícil, mas não é impossível de realizar, embora nenhum desenvolvedor ético ou gerente de dinheiro dê uma garantia incondicional de que qualquer Sistema de Negociação ou, por isso, qualquer ação, vínculo ou fundo mútuo, continuará para produzir lucros no futuro para sempre.
O que demorou semanas ou meses para que o desenvolvedor do Trading System produza no passado pode agora ser produzido em minutos através do uso do Trading System Lab. O Trading System Lab é uma plataforma para a geração automática de sistemas de negociação e indicadores de negociação. A TSL faz uso de um mecanismo de programação genética de alta velocidade e produzirá sistemas de negociação a uma taxa de mais de 16 milhões de barras de sistema por segundo com base em 56 entradas. Note-se que apenas alguns insumos serão realmente usados ​​ou necessários, resultando em estruturas de estratégia geralmente simples evoluídas. Com aproximadamente 40.000 a 200.000 sistemas necessários para uma convergência, o tempo de convergência para qualquer conjunto de dados pode ser aproximado. Note-se que não estamos simplesmente executando uma otimização de força bruta de indicadores existentes que procuram parâmetros ótimos a partir dos quais usar em um Sistema de Negociação já estruturado. O Gerador do Sistema de Negociação começa em uma origem de ponto zero, não fazendo suposições sobre o movimento do mercado no futuro e então "evolui" Sistemas de Negociação a uma taxa muito alta combinando informações presentes no mercado e formulando novos filtros, funções, condições e relacionamentos à medida que progride para um sistema de negociação "geneticamente modificado". O resultado é que um excelente sistema de negociação pode ser gerado em poucos minutos em 20-30 anos de dados de mercado diários em praticamente qualquer mercado.
Ao longo dos últimos anos, houve várias abordagens para a otimização do Sistema de Negociação que empregam o Algoritmo Genético menos poderoso. Os Programas Genéticos (GP's) são superiores aos Algoritmos Genéticos (GA's) por vários motivos. Primeiro, os GPs convergem em uma solução a uma taxa exponencial (muito rápido e ficando mais rápido), enquanto os Algoritmos Genéticos convergem em uma taxa linear (muito mais lenta e não está ficando mais rápida). Em segundo lugar, os GPs realmente geram o código da máquina do Sistema de Negociação que combinava o material genético (indicadores, padrões, dados inter-mercado) de maneiras únicas. Essas combinações únicas podem não ser intuitivamente óbvias e não requerem definições iniciais pelo desenvolvedor do sistema. As relações matemáticas únicas criadas podem se tornar novos indicadores ou variantes na Análise Técnica, ainda não desenvolvidas ou descobertas. GA, por outro lado, simplesmente procure soluções ótimas à medida que progridem no intervalo de parâmetros; eles não descobrem novas relações matemáticas e não escrevem seu próprio código de Sistema de Negociação. O código do sistema comercial do GP de vários comprimentos, usando genomas de comprimento variável, modificará o comprimento do Sistema de Negociação através do chamado cruzamento não homólogo e descartará completamente um indicador ou padrão que não contribua para a eficiência do Sistema de Negociação. O uso de GA apenas blocos de instruções de tamanho fixo, fazendo uso de apenas cruzamentos homólogos e não produzem código de código de troca de comprimento variável, nem descartarão um indicador ou padrão ineficiente tão prontamente como um GP. Finalmente, os Programas Genéticos são um avanço recente no domínio da aprendizagem por máquinas, enquanto os Algoritmos Genéticos foram descobertos há 30 anos. Os Programas Genéticos incluem todas as principais funcionalidades dos Algoritmos Genéticos; crossover, reprodução, mutação e fitness, no entanto GPs incluem características muito mais rápidas e robustas, tornando a GP a melhor opção para produzir Trading Systems. O GP empregado no Trading System Generator da TSL é o GP mais rápido atualmente disponível e não está disponível em nenhum outro software de mercado financeiro no mundo.
O Algoritmo de Programação Genética, o Simulador de Negociação e os Motores Fitness utilizados na TSL levaram 8 anos para produzir.
O Trading System Lab é o resultado de anos de trabalho árduo de uma equipe de engenheiros, cientistas, programadores e comerciantes, e acreditamos que representa a tecnologia mais avançada disponível hoje para comercializar os mercados.

sistema de comércio de programação genética
Esta página usa quadros, mas seu navegador não os suporta.
O GRAIL fornece sinais de negociação diários para uma seleção de mercados de derivativos, incluindo os futuros S & P, Euro Currency, Hang Seng, Dax e FTSE. Entre para ler mais sobre o nosso sistema S & P, que gerou 385 pontos de lucro entre março de 2002 e outubro de 2003 (77,1% p. a.) durante o comércio em tempo real!
NOVO!! O Genetic System Builder cria sistemas de negociação robustos com o EasyLanguage TM totalmente divulgado no mercado de sua escolha. O software inclui gerenciamento de dinheiro e um dos genéticos do otimizador de portfólio genético. Indispensável para qualquer comerciante de sistemas: de iniciante a gerente de hedge funds! Demonstração gratuita disponível.
Para visualizar gráficos de Equity de sistemas de negociação modelados pelo GSB, clique aqui.
Nosso software de gerenciamento de dinheiro pode aumentar os lucros de um sistema de negociação existente. Peça o nosso relatório que irá mostrar em 8 etapas fáceis, como implementar qualquer uma das seguintes estratégias de dimensionamento de posição / gerenciamento de dinheiro em seu próprio sistema:% Margem,% de Risco, F otimizado, F Optimal Diluído, Critério de Kelly, Kelly Diluído e% Volatilidade. (Todo o código da TradeStation EasyLanguage TM incluído)
Nós nos especializamos em design, programação e teste de sistemas comerciais em TradeStation TM, Pascal, C ++ e Excel.

Usando a Programação Genética para evoluir Estratégias de Negociação.
Um amigo e eu recentemente trabalhamos juntos em uma tarefa de pesquisa onde usamos a Programação Genética (GP) com sucesso para desenvolver soluções para um problema de classificação financeira do mundo real. Este problema, chamado de análise de segurança, envolve a determinação de quais títulos devem ser comprados para realizar um bom retorno sobre o investimento no futuro. Para encontrar uma solução para este problema, usamos a Programação Genética para desenvolver uma população de árvores de decisão que poderia realizar análise de segurança em sessenta e duas das ações de tecnologia listadas no S & amp; P 500. Ou seja, desenvolvemos árvores de decisão capazes de classificar esses estoques de acordo com se eles deveriam ser comprados ou vendidos curtos.
Árvores de decisão de análise de segurança.
Durante o estudo, desenvolvemos dois tipos de árvores de decisão de análise de segurança. O primeiro utilizou apenas indicadores da análise fundamental e o segundo utilizou apenas indicadores da análise técnica. A análise fundamental é um método de avaliação de uma segurança para medir seu valor intrínseco examinando fatores econômicos, financeiros e outros fatores qualitativos e quantitativos relacionados. A análise técnica é um método de avaliação de títulos através da análise de estatísticas geradas pela atividade de mercado.
Uma estratégia para análise de segurança, independentemente de usar indicadores técnicos ou fundamentais, consistirá em uma série de regras para a tomada de decisões de investimento. Essa estratégia pode ser representada como uma árvore de decisão onde os nós terminais representam decisões de investimento e os nós funcionais representam regras baseadas em indicadores técnicos ou fundamentais. Devido a isso, muitas estratégias de investimento existentes são representadas na forma de árvores de decisão.
Foram selecionados, no total, quarenta e dois indicadores diferentes, tanto da análise técnica quanto da análise fundamental. As estratégias evoluídas foram para um período de detenção fixo de três meses, seis meses, nove meses ou doze meses de duração. As árvores de decisão foram novamente testadas usando dados de mercado de 2011 a 2013.
Programação genética.
A programação genética é uma especialização de um Algoritmo Genético. Algoritmos genéticos são baseados na população, o que significa que eles operam dentro de uma população composta por muitos indivíduos diferentes. Cada indivíduo é representado por um genótipo exclusivo (geralmente codificado como um vetor). Os Algoritmos Genéticos modelam o processo de evolução genética através de uma série de operadores, incluindo o operador de seleção que modela a sobrevivência do operador mais adequado, o crossover que modela a reprodução sexual e o operador de mutação que modela as mutações genéticas que ocorrem aleatoriamente para indivíduos em uma população. Esses operadores, quando combinados, produzem o que os cientistas da computação se referem como um Algoritmo Genético.
Os três operadores de um Algoritmo Genético sendo aplicados a uma população de vetores (blocos)
A diferença entre um Algoritmo Genético e o Algoritmo de Programação Genética é a forma como os genótipos individuais são representados. Nos Algoritmos Genéticos, os genótipos são representados como Cordas ou como Vetores, enquanto na Programação Genética esses genótipos são representados usando estruturas de dados de árvores. A operação de crossover em estruturas de árvores pode acontecer de algumas maneiras, uma sub-árvore é trocada, um nó de folha é removido ou alterado, ou os valores de algum nó são ajustados. Uma ilustração disso é mostrada abaixo,
Este diagrama descreve a estratégia de cruzamento de uma árvore de decisão usada pela programação genética para análise de segurança.
Após este estudo, concluímos que a programação genética tem um grande potencial para desenvolver novas estratégias de análise de segurança e gerenciamento de investimentos, desde que possam ser obtidas melhores funções para o cálculo da aptidão física. Ao longo de nosso estudo de pesquisa, vimos que as árvores de decisão evoluíram usando a Programação Genética podendo produzir classificações de estoque que superaram o retorno médio do mercado de forma consistente nos quatro trimestres. Isso é verdade para árvores de decisão que utilizaram indicadores técnicos, bem como árvores de decisão que usaram indicadores fundamentais. Várias outras conclusões foram derivadas de nossa pesquisa, incluindo os tamanhos ótimos e o nível de heterogeneidade para as árvores de decisão e o valor adicionado pelos diferentes indicadores e o desempenho das estratégias em relação um ao outro. Alguns resultados estão incluídos abaixo.
Relacionamento entre o tamanho da árvore de decisão para a aptidão Os indicadores mais populares utilizados na árvore de decisão final.
Tamanho médio das árvores por iteração Exemplo Exemplo de Árvore de Decisão de Análise de Segurança Árvore de Decisão de Análise de Segurança.
Conclusão.
Dois relatórios de pesquisa independentes foram produzidos por mim e meu amigo. Ambos os relatórios são muito mais detalhados sobre nosso estudo de pesquisa, a abordagem adotada, nosso projeto e implementação, as estratégias de teste que usamos, nossas conclusões e recomendações para pesquisas futuras. Você também pode baixar uma cópia do código-fonte criado durante a implementação. Para os meus colegas, conta mais técnica do projeto, clique aqui.
História anterior.
Agrupamento usando otimização de colunas de formigas.
Próxima História.
Sistemas Inteligentes de Negociação Algorítmica.
[Comentário copiado de LinkedIn Computational Finance Group]
Muito bom trabalho. A escrita também é maravilhosa.
Eu só tive a chance de olhar para o relatório. Algumas estatísticas que seriam boas para analisar: como o seu portfólio da GA se compara às carteiras dos mesmos ativos. Eu olhava para duas carteiras de comparação: um portfólio igual ponderado e um portfólio de estilo S & P que é ponderado pela capitalização de mercado.
Como se verifica, pode ser surpreendentemente difícil vencer um portfólio igualmente ponderado. Rebalancear as carteiras trimestralmente, uma vez que alguns estoques vão subir e alguns vão cair (por exemplo, você quer manter os pesos do portfólio iguais, à medida que os preços mudam). Se o seu algoritmo genético supera essas carteiras, então você tem "alfa" (excesso de retorno sobre o benchmark).
Claro que o alfa não é tudo. Você deve olhar para a Perda de cauda esperada (ETL) (também conhecida como CVaR, déficit esperado) tanto para o portfólio da GA quanto para o "benchmark". Se você tiver menos risco para o mesmo retorno, então você pode considerar que você bateu o benchmark. A medida ETL é uma medida melhor do que a relação Sharpe quando se trata de risco, uma vez que a relação Sharpe mede a variação, que é de dois lados. ETL apenas mede a perda.
Uma observação: um problema com GA e redes neurais (NN) é que são caixas negras. É difícil determinar por que eles fazem as "escolhas" que eles fazem. Então imagine que você é um gerente de portfólio. Seu GA ou NN começa a funcionar mal. Que medidas você pode tomar para abordar isso? O problema é que tudo o que você pode realmente fazer é treinar e você não sabe se a reconversão melhorará. Claro que com uma árvore de decisão não é tão ruim assim, pelo menos você sabe quais as decisões tomadas. O problema é que, se você estiver constantemente procurando por ele para tomar as decisões "corretas", então você também terá um problema.
Essas questões são razões que você não vê esses algoritmos usados ​​tanto (embora sejam usados).
[Resposta copiada do LinkedIn Computational Finance Group]
Obrigado pelas palavras complementares Ian, agradecemos que você se interesse em nossa pesquisa e nos forneça alguns comentários perspicazes.
Na nossa abordagem, apenas comparamos o desempenho das seleções de estoque feitas por nossas árvores de decisão em relação a um portfólio igualmente ponderado. Estender a nossa pesquisa para incorporar diferentes carteiras é uma ideia interessante que acompanharemos durante a próxima fase de desenvolvimento. Também estamos considerando implementar algumas das abordagens bem conhecidas para a análise de segurança para serem usadas como benchmarks de desempenho adicionais. Se você ou qualquer outra pessoa tiver sugestões sobre quais abordagens podem fazer bons benchmarks, por favor me avise.
Seus comentários sobre o uso de outras medidas de desempenho são atualizados. Gostaríamos definitivamente de voltar a olhar para a estrutura de back-testing e investigar maneiras de torná-lo mais rigoroso e menos propenso a excesso de ajuste. Também gostaríamos de implementar funções de fitness adicionais que levem em consideração medidas de risco de portfólio e medidas de retorno excessivo (alfa). Examinarei as medidas que você mencionou e verá o melhor possível para incorporá-las à nossa estrutura existente. Também consideraremos como é possível usar um framework de back-testing de código aberto, como ZipLine, o framework de back-testing usado por quantopian.
Suas observações sobre a natureza e o uso de GA e Neural Networks em finanças são muito interessantes. O desafio de tornar esses algoritmos mais transparentes e, francamente, um pouco menos assustador, é que não se deve tirar levemente. Meu colega atualmente está trabalhando em uma tarefa de pesquisa onde ele está tentando levantar o véu em alguns dos trabalhos internos das Redes Neurais. Se ele for bem sucedido, então, em vez de precisar redigir constantemente redes neuronais quando "algo der errado", ele pode isolar a causa do problema na rede neural e adaptar sua arquitetura de acordo. Ele está considerando usar uma aplicação financeira do mundo real de Neural Networks em sua pesquisa. Então, se você tem alguma idéia sobre isso, por favor me avise?
Pessoalmente falando, atualmente estou trabalhando em uma tarefa de pesquisa onde estou tentando construir uma estrutura algorítmica para a seleção e otimização de portfólio comercial. Faz uso de alguns algoritmos de Inteligência Computacional e em frente Eu vou manter em mente os problemas que você mencionou. Vou tentar identificar maneiras de mitigar ou eliminar essas preocupações no quadro. Obrigado novamente por todos os seus comentários, agradecemos o feedback. Se você tem mais boas ideias, entre em contato conosco.
[Comentário copiado de LinkedIn Computational Finance Group]
Eu acho que a abordagem mais razoável para backtesting é comparar seus resultados com o que acontece com o comércio aleatório que ainda obedece a quaisquer restrições que você está impondo no portfólio. Isso é discutido em:
[Resposta copiada do LinkedIn Computational Finance Group]
Obrigado Patrick, essa é uma boa sugestão. Eu entendo a abordagem porque o conceito de backtesting de um algoritmo contra uma estratégia de negociação aleatória é conceitualmente semelhante ao teste de um algoritmo de busca contra busca aleatória. O que é algo que fiz antes. Quão popular você diria que a estratégia de backtesting é?
[Resposta copiada do LinkedIn Computational Finance Group]
Stuart: Depressa impopular. Mas tem que começar em algum lugar.
[Comentário copiado de LinkedIn Computational Finance Group]
Parece bom, qual é o motivo do uso dos 62 estoques de tecnologia, e não de 500 ações?
[Cópias de resposta do LinkedIn Computational Finance Group]
Oi JZ, essa é uma boa pergunta e fico feliz que você tenha perguntado. Debatimos a nossa abordagem e uma opinião externa seria muito apreciada. Limitamos nossa amostra de teste a apenas um setor devido a dois motivos:
1) Acreditamos que as árvores de decisão que utilizam Indicadores Fundamentais podem variar drasticamente entre diferentes indústrias. Isso ocorre porque as proporções financeiras podem variar entre diferentes indústrias e pensamos que um investidor que use essa abordagem desejaria evoluir árvores de decisão para cada setor de forma independente. ** e.
2) Nós só recebemos três semanas para completar a tarefa e nos preocupava que adicionar mais ações seria muito demorado. Isso resultou ser uma preocupação infundada, uma vez que nossa implementação poderia facilmente lidar com todos os 500 estoques no S & amp; P500 sem problemas de desempenho significativos.
** Nota: isso não se aplica a árvores de decisão usando indicadores de Análise Técnica.
Extremamente interessante. Bom Stuart.
É um exercício interessante, mas não vejo qual a vantagem do GP em simplesmente treinar toda a Árvore de Decisão usando alguma medida de impureza. Parece que faz o mesmo apenas de forma muito ineficiente e provavelmente com menos precisão também.
Oi, Ignas, para ser perfeitamente honesto, o GP sofre muitas desvantagens e a técnica ainda está sendo aperfeiçoada. Tendo sido dito, os métodos tradicionais de indução de árvores de decisão (que eu sou mais recentemente um fã de) também têm suas desvantagens que podem (ou não) ser superadas pela programação genética.
Estou tentando implementar o GA em python. Quais são algumas bibliotecas de python que você recomendaria.
Você tentou trocar seu sistema ao vivo?
Oi Lawrence, infelizmente não. Este post tem muitos anos e representa um antigo projeto coletivo meu :-). Eu recomendaria dar uma olhada no Genotick para uma estratégia de negociação baseada na programação genética imparcial. Eu acredito que as pessoas estão negociando ao vivo.
Envie um comentário.
Cancelar resposta.
Siga a Turing Finance.
Turing Finance Mailing List.
Amigos da Turing Finance.
Quantocracy é o melhor agregador de blog de finanças quantitativas com links para novas análises postadas todos os dias.
NMRQL é o fundo hedge quantitativo de que sou parte. Usamos a aprendizagem de máquinas para tentar vencer o mercado.