مقارنة الخوارزميات الجينية لاستراتيجيات التداول

استخدام الخوارزميات الجينية للتنبؤ بالأسواق المالية.
اقترح بيرتون في كتابه "المشي العشوائي في وول ستريت"، (1973) أن "قرد معصوب العينين يلقي رمي السهام في صفحات مالية في صحيفة يمكن أن تختار محفظة من شأنها أن تفعل تماما وكذلك واحدة مختارة بعناية من قبل الخبراء". في حين أن التطور قد جعل الإنسان لا أكثر ذكاء في انتقاء الأسهم، نظرية تشارلز داروين فعالة جدا عندما تطبق بشكل مباشر أكثر. (لمساعدتك في اختيار الأسهم، تحقق من كيفية اختيار الأسهم.)
ما هي الخوارزميات الجينية؟
وفي الأسواق المالية، تستخدم الخوارزميات الجينية بشكل أكثر شيوعا للعثور على أفضل قيم توليفة للمعلمات في قاعدة تداول، ويمكن أن تدمج في نماذج آن مصممة لتحديد الأسهم وتحديد الصفقات. وقد أظهرت العديد من الدراسات أن هذه الأساليب يمكن أن تكون فعالة، بما في ذلك "الخوارزميات الجينية: تكوين تقييم الأسهم" (2004) من قبل راما، و "تطبيقات الخوارزميات الجينية في بيانات سوق الأسهم تحسين التعدين" (2004) من قبل لين، تساو وانغ ، تشانغ. (لمعرفة المزيد عن أن، انظر الشبكات العصبية: التنبؤ الأرباح).
كيفية عمل الخوارزميات الجينية.
على سبيل المثال، قد تتضمن قاعدة تداول استخدام معلمات مثل المتوسط ​​المتحرك للتقارب-الاختلاف (ماسد)، المتوسط ​​المتحرك الأسي (إما) و ستوشاستيك. وعندئذ تقوم الخوارزمية الجينية بإدخال القيم في هذه المعلمات بهدف تحقيق أقصى قدر من صافي الربح. مع مرور الوقت، يتم إدخال تغييرات صغيرة وتلك التي تجعل تأثير مرغوب فيه يتم الاحتفاظ بها للجيل القادم.
هناك ثلاثة أنواع من العمليات الجينية التي يمكن بعد ذلك القيام بها:
وتمثل عمليات الانتقال الاستنساخ والتقاطع البيولوجي في البيولوجيا، حيث يأخذ الطفل خصائص معينة من والديه. وتمثل الطفرات طفرة بيولوجية وتستخدم للحفاظ على التنوع الوراثي من جيل واحد من السكان إلى الجيل التالي من خلال إدخال تغييرات صغيرة عشوائية. الاختيارات هي المرحلة التي يتم فيها اختيار الجينومات الفردية من السكان من أجل التكاثر في وقت لاحق (إعادة التركيب أو كروس أوفر).
ثم يتم استخدام هذه الشركات الثلاث في عملية من خمس خطوات:
تهيئة عدد عشوائي من السكان، حيث كل كروموسوم هو n - طول، مع ن يجري عدد من المعلمات. وهذا يعني أنه يتم تحديد عدد عشوائي من المعلمات مع العناصر n لكل منهما. حدد الكروموسومات، أو المعلمات، التي تزيد من النتائج المرغوبة (صافي الربح المفترض). تطبيق طفرة أو مشغلي كروس إلى الآباء المختارين وتوليد نسل. ريكومبين ذرية والسكان الحاليين لتشكيل السكان الجدد مع المشغل اختيار. كرر الخطوات من 2 إلى 4.
مع مرور الوقت، هذه العملية سوف يؤدي إلى الكروموسومات مواتية على نحو متزايد (أو، المعلمات) لاستخدامها في قاعدة التداول. ثم يتم إنهاء العملية عند استيفاء معايير التوقف، والتي يمكن أن تشمل وقت التشغيل، واللياقة البدنية، وعدد الأجيال أو معايير أخرى. (لمزيد من المعلومات عن مؤشر الماكد، قم بقراءة التداول اختلاف ماكد).
استخدام الخوارزميات الجينية في التداول.
عند استخدام هذه التطبيقات، يمكن للتجار تعريف مجموعة من المعلمات التي يتم تحسينها بعد ذلك باستخدام خوارزمية جينية ومجموعة من البيانات التاريخية. يمكن لبعض التطبيقات تحسين المعلمات التي تستخدم والقيم بالنسبة لهم، في حين أن البعض الآخر يركز في المقام الأول على مجرد تحسين القيم لمجموعة معينة من المعلمات. (لمعرفة المزيد حول هذه الاستراتيجيات المستمدة من البرنامج، راجع قوة برنامج الصفقات.)
نصائح التحسين الهامة والخدع.
اختيار المعلمات هو جزء مهم من العملية، ويجب على التجار البحث عن المعلمات التي ترتبط بالتغيرات في سعر الأمن معين. على سبيل المثال، جرب مؤشرات مختلفة ومعرفة ما إذا كان أي من هذه العوامل يبدو مرتبطا بتحولات السوق الرئيسية.

مقارنة الخوارزميات الوراثية لاستراتيجيات التداول.
بيتر كروها ماتياس فريدريش.
في هذه المساهمة، ونحن تصف ومقارنة اثنين من النظم الوراثية التي تخلق استراتيجيات التداول. ويستند النظام الأول على فكرة أن مصفوفة الوزن الاتصال للشبكة العصبية تمثل النمط الوراثي للفرد ويمكن تغييرها من قبل الخوارزمية الجينية. يستخدم النظام الثاني البرمجة الوراثية لاستخلاص استراتيجيات التداول. كبيانات المدخلات في تجاربنا، استخدمنا المؤشرات الفنية لأسهم ناسداك. كما الإخراج، والخوارزميات تولد استراتيجيات التداول، أي شراء، وعقد، وبيع الإشارات. فرضيتنا أن الاستراتيجيات التي تم الحصول عليها عن طريق البرمجة الجينية تحقيق نتائج أفضل من استراتيجية شراء وشراء وقد ثبت بأنها ذات دلالة إحصائية. ونناقش نتائجنا ونقارنها بتجاربنا السابقة مع التكنولوجيا المبهمة، والنهج الفركتلي، ومع استراتيجية المؤشرات الفنية البسيطة.
معاينة.
المراجع.
معلومات حقوق التأليف والنشر.
المؤلفين والانتماءات.
بيتر كروها 1 ماتياس فريدريش 2 1. كلية تكنولوجيا المعلومات، قسم هندسة البرمجيات الجامعة التقنية التشيكية في براغ براغ 6 جمهورية التشيك 2. جامعة كيمنتس للتكنولوجيا كيمنتس ألمانيا.
حول هذه الورقة.
توصيات شخصية.
استشهد ورقة.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
مشاركة الورقة.
تحميل فوري للقراءة على جميع الأجهزة التي تملكها إلى الأبد ضريبة المبيعات المحلية وشملت إذا كان ذلك ساريا.
استشهد ورقة.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
مشاركة الورقة.
أكثر من 10 مليون وثيقة علمية في متناول يدك.
تبديل الطبعة.
&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.

استخدام البرمجة الوراثية لتطوير استراتيجيات التداول.
صديق وأنا عملت مؤخرا معا على مهمة البحث حيث استخدمنا بنجاح البرمجة الجينية (غب) لتطوير حلول لمشكلة التصنيف المالي العالمي الحقيقي. وتشمل هذه المشكلة، التي يطلق عليها تحليل الأمن، تحديد الأوراق المالية التي يجب شراؤها من أجل تحقيق عائد جيد على الاستثمار في المستقبل. لإيجاد حل لهذه المشكلة استخدمنا البرمجة الوراثية لتطوير مجموعة من أشجار القرار التي يمكن أن تؤدي تحليل الأمان على اثنين وستين من أسهم التكنولوجيا المدرجة في S & أمب؛ P 500. وهذا هو، قمنا بتطوير أشجار القرار قادرة على تصنيف تلك الأسهم وفقا لما إذا كان ينبغي شراؤها أو بيعها قصيرة.
تحليل الأمن أشجار القرار.
خلال الدراسة قمنا بتطوير نوعين من أشجار قرار التحليل الأمني. استخدم الأول المؤشرات فقط من التحليل الأساسي والثاني استخدم فقط المؤشرات من التحليل الفني. التحليل الأساسي هو طريقة لتقييم الأمن لقياس قيمته الجوهرية من خلال دراسة العوامل الاقتصادية والمالية وغيرها من العوامل النوعية والكمية ذات الصلة. التحليل الفني هو طريقة لتقييم الأوراق المالية من خلال تحليل الإحصاءات الناتجة عن نشاط السوق.
وستتألف استراتيجية لتحليل الأمن، بغض النظر عما إذا كان يستخدم مؤشرات فنية أو أساسية، من عدد من القواعد لاتخاذ قرارات الاستثمار. ويمكن تمثيل تلك الاستراتيجية بوصفها شجرة قرار تمثل فيها العقد النهائية قرارات الاستثمار وتمثل العقد الوظيفية قواعد تستند إما إلى مؤشرات تقنية أو أساسية. وبسبب هذه الحقيقة، يتم تمثيل العديد من استراتيجيات الاستثمار القائمة في شكل أشجار القرار.
وفي المجموع تم اختيار اثنين وأربعين مؤشرا مختلفا واستخدمت من التحليل الفني والتحليل الأساسي. وكانت الاستراتيجيات المتطورة لفترة ثابتة لمدة ثلاثة أشهر أو ستة أشهر أو تسعة أشهر أو اثني عشر شهرا. ثم تم اختبار أشجار القرار مرة أخرى باستخدام بيانات السوق من عام 2011 إلى عام 2013.
البرمجة الوراثية.
البرمجة الجينية هي تخصص خوارزمية جينية. الخوارزميات الجينية هي عدد السكان، وهذا يعني أنها تعمل ضمن مجموعة تتكون من العديد من الأفراد المختلفة. ويمثل كل فرد من قبل النمط الوراثي الفريد (عادة ترميز كمتجه). الخوارزميات الجينية نموذج عملية التطور الجيني من خلال عدد من المشغلين بما في ذلك المشغل اختيار الذي نماذج البقاء للأصلح، المشغل كروس الذي نماذج التكاثر الجنسي ومشغل طفرة الذي نماذج الطفرات الوراثية التي تحدث بشكل عشوائي للأفراد في السكان. هؤلاء المشغلين، عندما مجتمعة، تنتج ما يشير علماء الكمبيوتر إلى خوارزمية جينية.
الشركات الثلاث من الخوارزمية الجينية التي تطبق على عدد من ناقلات (كتل)
الفرق بين الخوارزمية الجينية وخوارزمية البرمجة الوراثية هو الطريقة التي يتم بها تمثيل الأنماط الجينية الفردية. في الوراثة الخوارزمية الجينية يتم تمثيلها إما السلاسل أو كما ناقلات بينما في البرمجة الوراثية يتم تمثيل هذه الأنماط الجينية باستخدام هياكل البيانات شجرة. عملية كروس على هياكل شجرة يمكن أن يحدث في عدد قليل من الطرق، إما يتم تبديل شجرة فرعية خارج، يتم إزالة عقدة ورقة أو تغييرها، أو يتم تعديل قيم بعض العقدة. ويرد أدناه توضيح لذلك،
ويصور هذا الرسم البياني استراتيجية كروس من شجرة القرارات التي تستخدمها البرمجة الوراثية لتحليل الأمن.
بعد هذه الدراسة خلصنا إلى أن البرمجة الوراثية لديها امكانات كبيرة لتطوير استراتيجيات جديدة لتحليل الأمن وإدارة الاستثمار شريطة أنه يمكن استخلاص وظائف أفضل لحساب اللياقة البدنية. خلال دراستنا البحثية رأينا أن أشجار القرار تطورت باستخدام البرمجة الوراثية كانت قادرة على إنتاج تصنيفات الأسهم التي تغلب على متوسط ​​العائد السوق باستمرار على مدى أربعة أرباع. وينطبق ذلك على أشجار القرارات التي استخدمت المؤشرات الفنية وكذلك أشجار القرارات التي استخدمت مؤشرات أساسية. وقد تم استخلاص عدد من الاستنتاجات الأخرى من بحثنا بما في ذلك الأحجام المثلى ومستوى عدم التجانس لأشجار القرار والقيمة المضافة بمؤشرات مختلفة وأداء الاستراتيجيات المتعلقة ببعضها البعض. وترد بعض النتائج أدناه.
العلاقة بين حجم شجرة القرار واللياقة البدنية معظم المؤشرات الشعبية المستخدمة في شجرة القرار النهائية.
متوسط ​​أحجام الأشجار في التكرار مثال تحليل الأمان شجرة القرار مثال تحليل الأمان شجرة القرارات.
استنتاج.
تم إنتاج تقريرين بحثيين مستقلين من قبل نفسي وصديقي. كلا التقريرين تذهب إلى مزيد من التفاصيل حول دراستنا البحثية، والنهج المتبع، وتصميمنا وتنفيذها، واستراتيجيات الاختبار استخدمنا، واستنتاجاتنا وتوصيات لمزيد من البحث. يمكنك أيضا تنزيل نسخة من شفرة المصدر التي تم إنشاؤها أثناء التنفيذ. لزملائي أكثر حساب فني للمشروع يرجى الضغط هنا.
القصة السابقة.
تجميع باستخدام النمل المستعمرة الأمثل.
قصة المقبلة.
أنظمة التداول الذكي الخوارزمية.
[تم نسخ التعليق من مجموعة لينكيدين الحسابية المالية]
عمل جميل جدا. الكتابة حتى رائع أيضا.
لم يكن لدي سوى فرصة لإلقاء نظرة على التقرير. بعض الإحصاءات التي قد تكون جيدة للنظر في: كيف تقارن محفظة غا الخاصة بك للمحافظ من نفس الأصول. سوف ألقي نظرة على محفظتي مقارنة: محفظة متساوية الوزن ومحفظة على غرار S & أمب؛ P التي يتم ترجيحها من حيث القيمة السوقية.
كما اتضح، فإنه يمكن أن يكون من المستغرب أن تغلب على محفظة متساوية الوزن. إعادة توازن المحافظ كل ثلاثة أشهر، حيث أن بعض الأسهم سوف ترتفع وسوف ينخفض ​​بعضها (على سبيل المثال، تريد الاحتفاظ بأوزان المحفظة على قدم المساواة مع تغير الأسعار). إذا خوارزمية الجينات الخاص بك يدق هذه المحافظ ثم لديك "ألفا" (العائد الزائد على المعيار).
بالطبع ألفا ليس كل شيء. يجب أن ننظر إلى فقدان الذيل المتوقع (إيتل) (المعروف أيضا باسم القيمة المعرضة للمخاطر المشروطة، النقص المتوقع) لكل من محفظة غا و "المعيار". إذا كان لديك خطر أقل لنفس العائد ثم يمكنك أن تنظر أن تغلب على المعيار. مقياس إتل هو مقياس أفضل من نسبة شارب عندما يتعلق الأمر بالمخاطر، حيث أن نسبة شارب تقيس التباين، وهو جانبين. إتل يقيس الخسارة فقط.
ملاحظة: مشكلة مع غا والشبكات العصبية (ن) هي أنها صناديق سوداء. ومن الصعب تحديد سبب جعلهم "الخيارات" التي يقومون بها. لذلك تخيل أنك مدير محفظة. يبدأ أداء غا أو ن أداء ضعيفا. ما الخطوات التي يمكنك اتخاذها لمعالجة هذا؟ المشكلة هي، كل ما يمكنك القيام به حقا هو إعادة تدريب وكنت لا تعرف إذا إعادة التدريب سوف نفعل ما هو أفضل. بالطبع مع شجرة القرار ليست سيئة للغاية، لأن على الأقل كنت تعرف ما هي القرارات التي اتخذتها. المشكلة هي، إذا كنت باستمرار تويتس لاتخاذ القرارات "الصحيحة" ثم كنت قد حصلت على مشكلة أيضا.
هذه القضايا هي الأسباب التي لا ترى هذه الخوارزميات المستخدمة كثيرا (على الرغم من أنها تستخدم).
[تم نسخ الاستجابة من مجموعة لينكيدين الحسابية المالية]
شكرا لك على كلمات مجانية إيان، ونحن نقدر لك أخذ الاهتمام في أبحاثنا وتزويدنا ببعض التعليقات الثاقبة.
في مقاربتنا قارنا فقط أداء عمليات اختيار الأسهم التي أجرتها أشجار القرار لدينا مقابل محفظة ذات وزن متساو. إن توسيع نطاق أبحاثنا لدمج محافظ مختلفة هو فكرة مثيرة للاهتمام سوف نتابعها خلال المرحلة التالية من التطوير. وننظر أيضا في تنفيذ بعض النهج المعروفة لتحليل الأمن لاستخدامها كمعايير أداء إضافية. إذا كان لديك أو لدى أي شخص آخر اقتراحات بشأن المقاربات التي قد تحقق معايير جيدة، فيرجى إبلاغي بذلك.
تعليقاتك حول استخدام مقاييس الأداء الأخرى هي بقعة على. ونود بالتأكيد إعادة النظر في إطار الاختبار الخلفي والتحقيق في سبل جعلها أكثر صرامة وأقل عرضة للإفراط في تركيبها. ونود أيضا تنفيذ وظائف إضافية للياقة البدنية تأخذ في الاعتبار تدابير مخاطر محفظة وكذلك تدابير العائد الزائد (ألفا). وسوف ننظر في التدابير التي ذكرتها ونرى كيف أفضل يمكننا دمجها في إطارنا الحالي. كما سننظر أيضا في كيفية استخدام إطار اختبار خلفي مفتوح المصدر مثل زيبلين، وإطار الاختبار الخلفي الذي يستخدمه النظام الكمي.
ملاحظاتك بشأن طبيعة واستخدام غا والشبكات العصبية في التمويل مثيرة جدا للاهتمام. والتحدي المتمثل في جعل هذه الخوارزميات أكثر شفافية، وبصراحة تامة، أقل قليلا مخيفة، هو واحد لا ينبغي أن يؤخذ على محمل الجد. زميلي يعمل حاليا على مهمة بحثية حيث يحاول رفع الحجاب على بعض الأعمال الداخلية للشبكات العصبية. إذا كان ناجحا، ثم بدلا من الحاجة إلى إعادة تدريب الشبكات العصبية باستمرار عندما "شيء يذهب على نحو خاطئ"، وقال انه قد تكون قادرة على عزل سبب المشكلة في الشبكة العصبية وتكييف هيكلها وفقا لذلك. وهو يفكر في استخدام التطبيق المالي العالمي الحقيقي للشبكات العصبية في بحثه. لذلك إذا كان لديك أي أفكار حول ذلك، واسمحوا لي أن أعرف؟
شخصيا، أنا أعمل حاليا على مهمة البحث حيث أنا محاولة لبناء إطار حسابي لحمل التجارة اختيار محفظة والتحسين. فإنه يجعل من استخدام بعض خوارزميات الذكاء الحسابي والمضي قدما وسوف نأخذ في الاعتبار القضايا التي ذكرتها. وسأحاول تحديد سبل التخفيف من هذه الشواغل أو إزالتها في الإطار. شكرا مرة أخرى على كل ما تبذلونه من التعليقات، ونحن نقدر ردود الفعل. إذا كان لديك أي أفكار جيدة أكثر، يرجى الاتصال بنا.
[تم نسخ التعليق من مجموعة لينكيدين الحسابية المالية]
وأعتقد أن النهج الأكثر معقولية ل باكتستينغ هو مقارنة النتائج الخاصة بك إلى ما يحدث مع التداول العشوائي الذي لا يزال يطيع أي قيود كنت فرض على محفظة. ويناقش هذا في:
[تم نسخ الاستجابة من مجموعة لينكيدين الحسابية المالية]
شكرا باتريك، وهذا هو اقتراح جيد. أنا أفهم النهج لأن مفهوم باكتستينغ خوارزمية ضد استراتيجية التداول العشوائي هو من الناحية المفاهيمية مماثلة لاختبار خوارزمية البحث ضد البحث العشوائي. ما هو شيء فعلته من قبل. ما مدى شعبية أن تقول أن استراتيجية باكتستينغ هو؟
[تم نسخ الاستجابة من مجموعة لينكيدين الحسابية المالية]
ستيوارت: لا تحظى بشعبية كبيرة. ولكن يجب أن تبدأ في مكان ما.
[تم نسخ التعليق من مجموعة لينكيدين الحسابية المالية]
تبدو جيدة، ما هو السبب في استخدام 62 أسهم التكنولوجيا، وليس 500 أسهم؟
[نسخ الاستجابة من مجموعة لينكيدين الحسابية المالية]
مرحبا جز، وهذا هو سؤال جيد وأنا سعيد لأنك سألت ذلك. وناقشنا نهجنا، وسيكون الرأي الخارجي موضع تقدير كبير. لقد اقتصرنا عينة الاختبار على قطاع واحد فقط لسببين:
1) نعتقد أن أشجار القرارات التي تستخدم المؤشرات الأساسية يمكن أن تختلف اختلافا كبيرا بين مختلف الصناعات. ويرجع ذلك إلى أن النسبة المالية يمكن أن تختلف بين صناعات مختلفة، ونعتقد أن المستثمر الذي يستخدم هذا النهج سوف يرغب في تطوير أشجار القرار لكل قطاع بشكل مستقل.
2) أعطيت لنا ثلاثة أسابيع فقط لإكمال المهمة، وكنا قلقين من أن إضافة المزيد من الأسهم سيكون وقتا طويلا جدا. وقد اتضح أن هذا الأمر يشكل مصدر قلق لا أساس له من الصحة حيث أن تطبيقنا يمكن أن يعالج بسهولة جميع الأسهم ال 500 في مؤشر S & أمب؛ P500 دون أي مشاكل كبيرة في الأداء.
** ملاحظة: هذا لا ينطبق على أشجار القرار باستخدام مؤشرات التحليل الفني.
مثيرة للاهتمام للغاية. أحسنت ستيوارت.
انها ممارسة مثيرة للاهتمام، ولكن أنا لا أرى ما هي ميزة غب ضد ببساطة تدريب شجرة القرار كله باستخدام بعض التدابير النجاسة. يبدو أنه يفعل نفس الشيء فقط بشكل غير فعال جدا وربما مع دقة أقل جدا.
مرحبا إيغناس، ليكون غب تماما صادق يعاني من العديد من السلبيات وتقنية لا يزال يجري الكمال. بعد أن قيل، التقليدية أساليب اتخاذ القرار شجرة (التي أنا في الآونة الأخيرة مروحة من) أيضا عيوبها التي قد (أو قد لا) التغلب عليها البرمجة الوراثية.
أنا أحاول إعادة تنفيذ الجمعية العامة في الثعبان. ما هي بعض المكتبات بيثون أن يوصي.
هل حاولت تداول نظامك المباشر؟
مرحبا لورانس، للأسف لا. هذا المنصب هو تماما عدد من سنوات من العمر ويمثل مشروع اسكواش القديم من الألغام :-). أود أن أوصي نلقي نظرة على جينوتيك لاستراتيجية التداول القائم على البرمجة الجينية غير منحازة. وأعتقد أن الناس يتداولون على الهواء مباشرة.
إرسال تعليق.
إلغاء الرد.
اتبع تورينج المالية.
تورينغ المالية القائمة البريدية.
أصدقاء تورينج المالية.
الكوانتوقراطية هو أفضل التمويل الكمي بلوق مجمع مع وصلات لتحليل جديد نشر كل يوم.
نمركل هو صندوق التحوط الكمي أنا جزء من. نحن نستخدم آلة التعلم في محاولة للفوز على السوق.

مقارنة الخوارزميات الجينية لاستراتيجيات التداول
الحصول على فيا أب ستور قراءة هذه المشاركة في التطبيق لدينا!
ما مدى فائدة الخوارزمية الجينية للتنبؤ بالسوق المالية؟
هناك مجموعة كبيرة من الأدب حول "نجاح" تطبيق خوارزميات التطور بشكل عام، والخوارزمية الجينية على وجه الخصوص، إلى الأسواق المالية.
ومع ذلك، أشعر بعدم الارتياح عند قراءة هذا الأدب. الخوارزميات الجينية يمكن أن تتناسب مع البيانات الموجودة. مع العديد من تركيبات، فمن السهل أن يأتي مع عدد قليل من القواعد التي تعمل. قد لا يكون قويا وليس لديه تفسير ثابت لماذا تعمل هذه القاعدة وهذه القواعد لا تتجاوز مجرد حجة (دائرية) أن "يعمل لأن الاختبار يظهر أنه يعمل".
ما هو الإجماع الحالي على تطبيق الخوارزمية الجينية في التمويل؟
لقد عملت في صندوق التحوط الذي سمح للاستراتيجيات المشتقة من غا. من أجل السلامة، فإنه يتطلب تقديم جميع النماذج قبل الإنتاج بوقت طويل للتأكد من أنها لا تزال تعمل في باكتيستس. لذلك يمكن أن يكون هناك تأخير لمدة تصل إلى عدة أشهر قبل أن يسمح نموذج لتشغيل.
كما أنه من المفيد لفصل الكون العينة. استخدام نصف عشوائي من الأسهم المحتملة لتحليل غا والنصف الآخر لتأكيد باكتيستس.
وأعتقد أن المشكلة الأكبر هي أن الخوارزميات الجينية هي الإفراط في التحيز، والتحايل على البيانات، وأنها صناديق سوداء (لا تشبه إلى حد كبير الشبكات العصبية ولكن لا تزال تعتمد على الطريقة التي تنفذ بها).
أعتقد أنها لا تستخدم كثيرا. أعتقد أن هناك عدد قليل من صناديق التحوط هناك أن استخدامه ولكن كل شيء في كل ما كانت غارقة ثم ضبطت. (لكنها لا تزال مفيدة للحصول على ورقة مقبولة ؛-)
راجع للشغل: لا يوجد إجماع حقيقي في التمويل - الجميع يحاول اغلب الجميع. هذا هو السبب في أنها مثيرة للاهتمام. (أو وضع طريقة أخرى: هذا هو السبب في أنه لا يزال هناك المشترين والبائعين - توافق حقيقي هو تحطم ؛-)
لقد طبقت غا على جميع أنواع الأشياء. كان لي بعض النجاح في العالم الحتمية حيث يوجد نمط بالفعل، وكنت أعرف أن بعض الهياكل المادية موجودة (التحليل الزلزالي، تحليل الاهتزاز، كالكس المخزون، الخ). بعد أن وجدت نموذج غا الذي تصرف، بدأ العمل الحقيقي. معرفة سبب تصرفه.
كما ولدت الكثير من غا القمامة من البيانات المالية التي "عملت" تبحث إلى الوراء، ولكن كان لا قيمة لها نتطلع.
التقنيات ليست المسألة في التمويل، انها البنية. وبالطبع، لا توجد بيانات كافية (بيانات مفيدة).
هناك الكثير من الناس هنا يتحدثون عن كيفية غاس التجريبية، وليس لديهم أسس نظرية، هي صناديق سوداء، وما شابه ذلك. أرجو أن تتغير! هناك فرع كامل من الاقتصاد مكرسة للنظر في الأسواق من حيث الاستعارات التطورية: الاقتصاد التطوري!
أنا أوصي كتاب دوبر، والأسس التطورية للاقتصاد، كمقدمة. cambridge. org/gb/knowledge/isbn/item1158033؟site_locale=en_GB.
إذا كان وجهة نظرك الفلسفية هي أن السوق هو في الأساس كازينو العملاقة، أو لعبة، ثم غا هو مجرد مربع أسود وليس لديها أي أساس نظري. ومع ذلك، إذا كانت فلسفتك هي أن السوق هو البقاء للأصلح البيئة، ثم غا لديها الكثير من الأسس النظرية، وأنه من المعقول تماما لمناقشة أشياء مثل الشركات الاختلافات، السوق الإيكولوجية، جينوم المحفظة، المناخ التجاري، و مثل.
على افتراض تجنب التحيز التطفل البيانات وجميع المزالق المحتملة لاستخدام الماضي للتنبؤ بالمستقبل، والثقة الخوارزميات الجينية للعثور على الحل "الصحيح" يتجلى إلى حد كبير إلى نفس الرهان تقوم به عندما كنت تدير بنشاط محفظة، سواء كميا أو تقديرية. إذا كنت تعتقد في كفاءة السوق ثم زيادة تكاليف المعاملات الخاصة بك من الإدارة النشطة غير منطقية. إذا، ولكن كنت تعتقد أن هناك هيكلية & أمب؛ والنماذج النفسية أو "العيوب" التي يمكن استغلالها والمكافأة يستحق الوقت والمال للبحث وتنفيذ استراتيجية الخيار المنطقي هو الإدارة النشطة.
إن تشغيل إستراتيجية مشتقة من غا هو رهان ضمني ضد كفاءة السوق. كنت تقول أساسا "أعتقد أن هناك تقييمات سيئة التي تحدث من سبب ما" (كتل من الناس غير العقلاني، صناديق الاستثمار الرعي بسبب الحوافز سوء الانحياز، وما إلى ذلك) و "تشغيل هذا غا يمكن فرز هذه الكتلة من البيانات خارج طريقة أسرع من استطاعتي ".
أنا لست "خبير كمي" مثل كل واحد منكم (أنا مجرد مبرمج)، ولكن هنا هو ما وجدت.
1.) إذا قمت بتعيين القيود بشكل صحيح، فإن النتائج مدهشة. مثلا يمكنك الحصول على المحافظ التي لديها عوائد عالية جدا ومنخفضة المخاطر. ومع ذلك، من المهم جدا وجود قيود متضاربة (على سبيل المثال، يمكن للوالدين أن يكون لديهم العديد من الأطفال، ولكن العدد الإجمالي للأطفال في جيل لا يمكن أن يتجاوز عدد معين) إذا كنت ترغب في الحصول على نتائج جيدة.
2.) أنا لا أعتقد أن غا هو الإفراط في تركيب البيانات. بدلا من ذلك، تقول "لدي الكثير من الجينات (الأسهم) لتبدأ، لذلك أنا مجرد الذهاب لاختيار عدد قليل للبدء، و، باستثناء طفرة في بعض الأحيان، وأنا سوف التمسك بهذه". ثم، على مدى أجيال، فإنه يبين كيفية الاستفادة المثلى من ما بدأ مع، وخلق بورفوليوس الأمثل مع "الجينات" (a. k.a) الأسهم التي بدأت مع (بالإضافة إلى عدد قليل من الطفرات). نوع من مثل باني في هوم ديبوت. هوم ديبوت لديها الكثير من الأدوات، ولكن باني يختار سوى عدد قليل للبدء.
إمهو، الخوارزميات الجينية هي أداة لا تصدق لحل المشاكل التي لا يمكن العقول البشرية.
إذا كنت باكتست بشكل صحيح غا الخاص بك (باستخدام البيانات الماضية فقط لإنشاء سلسلة الدوريات الزمنية للمؤشر)، ثم يمكنك الوثوق في النتيجة.
ولكنني أتفق معك على أن الخوارزميات الجينية هي تجريبية بحتة، وبالتالي لا أشعر بالراحة جدا في استخدامها.
ويعتبر توماس كوفر (الذي كان على الأرجح "نظري المعلومات" لجيله) نهجا "عالمية" لأشياء مثل ضغط البيانات ومخصصات المحفظة كخوارزميات جينية حقيقية.
التطور ليس لديه معلمات لتناسب أو تدريب. لماذا يجب أن الخوارزميات الجينية الحقيقية؟
ولا تقدم النهج الشاملة أي افتراضات بشأن التوزيع الأساسي للبيانات. أنها لا تبذل أي محاولة للتنبؤ بالمستقبل من أنماط أو أي شيء آخر.
الفعالية "النظرية" للنهج العالمية (أنها تواجه تحديات كبيرة في التنفيذ انظر السؤال الأخير: هندسة للمحافظ الشاملة؟) متابعة منهم يفعل ما يتطلب التطور. أسرع وأذكى، أو أقوى لا البقاء بالضرورة في الجيل القادم. تطور تفضل أن الجينات، والكائن الحي، ميمي، محفظة، أو خوارزمية ضغط البيانات المتمركزة إلى الأكثر سهولة التكيف مع ما يحدث بعد ذلك.
أيضا، لأن هذه النهج تجعل لا توجد افتراضات وتشغيل غير بارامتريكالي، يمكن للمرء أن تنظر في جميع الاختبارات، حتى على جميع البيانات التاريخية، خارج العينة.
بالتأكيد لديهم قيود، بالتأكيد أنها لا يمكن أن تعمل لكل نوع مشكلة نواجهها في مجالنا، ولكن جي، ما هي طريقة مثيرة للاهتمام للتفكير في الأشياء.
حسنا، الهدف من الغو الجيني هو العثور على أفضل حل دون المرور في جميع السيناريوهات المحتملة لأنها ستكون طويلة جدا. لذلك بالطبع هو منحنى المناسب، وهذا هو الهدف.