Genetische algoritmen gebruiken om financiële markten te voorspellen

In "A Random Walk Down Wall Street" (1973) opperde Burton Malkiel: "Een geblinddoekte aap die pijlen naar de financiële pagina's van een krant gooit, kan een portfolio selecteren dat net zo goed werkt als een zorgvuldig geselecteerd door experts." Hoewel de evolutie de mens misschien niet intelligenter heeft gemaakt bij het kiezen van aandelen, is de theorie van Charles Darwin behoorlijk effectief gebleken wanneer deze directer wordt toegepast.

TUTORIAL: aandelenselectiestrategieën

Wat zijn genetische algoritmen?

Genetische algoritmen (GA's) zijn probleemoplossende methoden (of heuristieken) die het proces van natuurlijke evolutie nabootsen. In tegenstelling tot kunstmatige neurale netwerken (ANN's), ontworpen om te functioneren als neuronen in de hersenen, gebruiken deze algoritmen de concepten van natuurlijke selectie om de beste oplossing voor een probleem te bepalen. Dientengevolge worden GA's gewoonlijk gebruikt als optimizers die parameters aanpassen om een ​​bepaalde feedbackmaat te minimaliseren of maximaliseren, die vervolgens onafhankelijk of in de constructie van een ANN kunnen worden gebruikt. (Zie voor meer informatie over ANN's: neurale netwerken: winstvoorspellingen.)

Op de financiële markten worden genetische algoritmen meestal gebruikt om de beste combinatiewaarden van parameters in een handelsregel te vinden, en ze kunnen worden ingebouwd in ANN-modellen die zijn ontworpen om aandelen te selecteren en transacties te identificeren. Verschillende onderzoeken hebben de effectiviteit van deze methoden aangetoond, waaronder "Genetic Algorithms: Genesis of Stock Evaluation" (2004) en "The Applications of Genetic Algorithms in Stock Market Data Mining Optimization" (2004). (Zie voor meer informatie: Hoe handelsalgoritmen worden gemaakt .)

Wat zijn genetische algoritmen?

Hoe genetische algoritmen werken

Genetische algoritmen worden wiskundig gemaakt met behulp van vectoren, dit zijn grootheden die richting en grootte hebben. Parameters voor elke handelsregel worden weergegeven met een eendimensionale vector die in genetische termen als een chromosoom kan worden beschouwd. Ondertussen kunnen de waarden die in elke parameter worden gebruikt worden beschouwd als genen, die vervolgens worden gewijzigd met behulp van natuurlijke selectie.

Een handelsregel kan bijvoorbeeld het gebruik van parameters omvatten zoals voortschrijdend gemiddelde convergentie divergentie (MACD), een exponentieel voortschrijdend gemiddelde (EMA) en stochastiek. Een genetisch algoritme zou dan waarden in deze parameters invoeren met als doel de nettowinst te maximaliseren. Na verloop van tijd worden kleine wijzigingen doorgevoerd en wijzigingen die een gewenste impact hebben, blijven behouden voor de volgende generatie. (Zie ook: Basisprincipes van Algorithmic Trading .)

Er zijn drie soorten genetische bewerkingen die vervolgens kunnen worden uitgevoerd:

• Crossovers vertegenwoordigen de reproductie en crossover gezien in de biologie, waarbij een kind bepaalde kenmerken van zijn ouders overneemt.
• Mutaties vertegenwoordigen biologische mutaties en worden gebruikt om de genetische diversiteit van de ene generatie op de andere te handhaven door willekeurige kleine veranderingen door te voeren.
• Selecties zijn het stadium waarin individuele genomen uit een populatie worden gekozen voor latere fokkerij (recombinatie of crossover).

Deze drie bewerkingen worden vervolgens in een proces van vijf stappen gebruikt:

1. Initialiseer een willekeurige populatie, waarbij elk chromosoom n- lengte is, waarbij n het aantal parameters is. Dat wil zeggen dat een willekeurig aantal parameters wordt vastgesteld met elk n elementen.
2. Selecteer de chromosomen of parameters die de gewenste resultaten verhogen (vermoedelijk nettowinst).
3. Pas mutatie- of crossover-operatoren toe op de geselecteerde ouders en genereer een nageslacht.
4. Combineer de nakomelingen en de huidige populatie om een ​​nieuwe populatie te vormen met de selectie-operator.
5. Herhaal stappen twee tot vier.

Na verloop van tijd zal dit proces resulteren in steeds gunstiger chromosomen (of parameters) voor gebruik in een handelsregel. Het proces wordt vervolgens beëindigd wanneer aan de stopcriteria is voldaan, zoals speelduur, fitness, aantal generaties of andere criteria.

Genetische algoritmen gebruiken bij het handelen

Hoewel genetische algoritmen voornamelijk worden gebruikt door institutionele kwantitatieve handelaren, kunnen individuele handelaren gebruikmaken van de kracht van genetische algoritmen - zonder een graad in geavanceerde wiskunde - met behulp van verschillende softwarepakketten op de markt. Deze oplossingen variëren van zelfstandige softwarepakketten gericht op de financiële markten tot Microsoft Excel-add-ons die meer praktische analyse mogelijk maken.

Bij het gebruik van deze applicaties kunnen handelaren een set parameters definiëren die vervolgens worden geoptimaliseerd met behulp van een genetisch algoritme en een set historische gegevens. Sommige applicaties kunnen optimaliseren welke parameters worden gebruikt en de waarden daarvoor, terwijl andere primair gericht zijn op het eenvoudig optimaliseren van de waarden voor een gegeven set parameters. (Zie voor meer informatie over deze programma-afgeleide strategieën: De kracht van programmatransacties .)

Curve-aanpassing (overfitting) of het ontwerpen van een handelssysteem rond historische gegevens in plaats van het identificeren van herhaalbaar gedrag, vormt een potentieel risico voor handelaren die genetische algoritmen gebruiken. Elk handelssysteem dat GA's gebruikt, moet vóór live gebruik op papier worden getest.

Het kiezen van parameters is een belangrijk onderdeel van het proces en handelaren moeten op zoek gaan naar parameters die verband houden met veranderingen in de prijs van een bepaald effect. Probeer bijvoorbeeld verschillende indicatoren om te zien of ze lijken te correleren met grote marktomwentelingen. (Zie voor meer informatie: De juiste algoritmische handelssoftware kiezen .)

Het komt neer op

Genetische algoritmen zijn unieke manieren om complexe problemen op te lossen door gebruik te maken van de kracht van de natuur. Door deze methoden toe te passen op het voorspellen van beveiligingsprijzen, kunnen handelaren de handelsregels optimaliseren door de beste waarden voor elke parameter voor een gegeven effect te identificeren. Deze algoritmen zijn echter niet de Heilige Graal en handelaren moeten voorzichtig zijn om de juiste parameters te kiezen en niet in een curve fit te passen. (Lees voor meer informatie: Hoe codeer je je eigen Algo Trading Robot .)