Burton foreslog i sin bog "En Random Walk Down Wall Street" (1973), at "En blindfoldet ape-kaste dart på en avis finansielle sider kunne vælge en portefølje, der ville gøre lige så godt som en omhyggeligt udvalgt af eksperter. " Mens evolutionen måske har gjort mennesket ikke mere intelligent til at vælge lagre, har Charles Darwins teori ret ret effektivt, når de anvendes mere direkte. (For at hjælpe dig med at vælge lagre, se Sådan vælger du en lager .)

TUTORIAL: Stock-Picking Strategies

Hvad er genetiske algoritmer?
Genetiske algoritmer (GAs) er problemløsningsmetoder (eller heuristik), som efterligner processen med naturlig udvikling. I modsætning til kunstige neurale netværk (ANNs), der er designet til at fungere som neuroner i hjernen, bruger disse algoritmer begreberne naturligt valg til at bestemme den bedste løsning for et problem. Som et resultat bliver GA'er almindeligvis brugt som optimeringsapparater, der justerer parametre for at minimere eller maksimere nogle feedbackmålinger, som derefter kan bruges uafhængigt eller i opbygningen af ​​et ANN.

På de finansielle markeder anvendes genetiske algoritmer mest til at finde de bedste kombinationsværdier for parametre i en handelsregel, og de kan indbygges i ANN-modeller, der er designet til at vælge lagre og identificere handler. Flere undersøgelser har vist, at disse metoder kan vise sig effektive, herunder "Genetic Algorithms: Genesis of Stock Evaluation" (2004) af Rama og "The Applications of Genetic Algorithms in Stock Market Data Mining Optimization" (2004) af Lin, Cao, Wang , Zhang. (For at lære mere om ANN, se Neurale netværk: Forudsigelse af overskud .)

Hvordan genetiske algoritmer virker
Genetiske algoritmer skabes matematisk ved hjælp af vektorer, som er mængder, der har retning og størrelse. Parametre for hver handelsregel er repræsenteret med en endimensionel vektor, der kan betragtes som et kromosom i genetiske termer. I mellemtiden kan de værdier, der anvendes i hver parameter, betragtes som gener, som derefter modificeres ved hjælp af naturlig udvælgelse.

For eksempel kan en handelsregel indebære brugen af ​​parametre som Moving Average Convergence-Divergence (MACD), Exponential Moving Average (EMA) og Stochastics. En genetisk algoritme vil så indtaste værdier i disse parametre med det formål at maksimere nettoresultatet. Over tid introduceres små ændringer, og de, der foretager en ønskelig indvirkning, bevares til næste generation.

Der er tre typer af genetiske operationer, der kan udføres:

• Crossovers repræsenterer reproduktion og biologisk krydsning set i biologi, hvor et barn tager på sig bestemte egenskaber hos sine forældre.
• Mutationer repræsenterer biologisk mutation og bruges til at opretholde den genetiske mangfoldighed fra en generation af en population til den næste ved at indføre tilfældige små ændringer.
• Valg er det stadium, hvor individuelle genomer vælges fra en population til senere avl (rekombination eller crossover).

Disse tre operatører anvendes derefter i en fem-trins proces:

1. Initialiser en tilfældig population, hvor hvert kromosom er n -længde, med n er antallet af parametre. Det vil sige, et tilfældigt antal parametre er etableret med n elementer hver.
2. Vælg kromosomer, eller parametre, der øger ønskede resultater (formodentlig nettoresultat).
3. Anvend mutation eller crossover operatører til de valgte forældre og generer et afkom.
4. Rekombinere afkom og den nuværende befolkning for at danne en ny befolkning hos selektionsoperatøren.
5. Gentag trin to til fire.

Over tid vil denne proces resultere i stadig gunstigere kromosomer (eller parametre) til brug i en handelsregel. Processen afsluttes derefter, når et stopkriterium er opfyldt, hvilket kan omfatte driftstid, fitness, antal generationer eller andre kriterier. (For mere om MACD, læs Handel med MACD Divergence .)

Brug af genetiske algoritmer i handel
Mens genetiske algoritmer primært anvendes af institutionelle kvantitative forhandlere, kan enkelte erhvervsdrivende udnytte kraften i genetiske algoritmer - uden en grad i avanceret matematik - ved hjælp af flere softwarepakker på markedet. Disse løsninger spænder fra selvstændige softwarepakker rettet mod de finansielle markeder til Microsoft Excel-tilføjelser, der kan lette mere praktisk analyse.

Ved anvendelse af disse applikationer kan forhandlere definere et sæt parametre, som derefter optimeres ved hjælp af en genetisk algoritme og et sæt historiske data. Nogle applikationer kan optimere hvilke parametre der bruges og værdierne for dem, mens andre primært fokuserer på at optimere værdierne for et givet sæt parametre. (For at lære mere om disse programbaserede strategier, se Effekten af ​​programhandler .)

Vigtige optimeringsforslag og tricks
Kurvemontering (overmontering), der designer et handelssystem omkring historiske data snarere end at identificere gentagelig adfærd, udgør en potentiel risiko for erhvervsdrivende, der anvender genetiske algoritmer. Et hvilket som helst handelssystem, der anvender GA'er, skal testes på papir før levende brug.

Valg af parametre er en vigtig del af processen, og forhandlere skal søge parametre, der korrelerer med ændringer i prisen på en given sikkerhed. For eksempel, prøv forskellige indikatorer og se om der synes at korrelere med større markedssvingninger.

Den nederste linje
Genetiske algoritmer er unikke måder at løse komplekse problemer ved at udnytte naturens kraft. Ved at anvende disse metoder til forudsigelse af værdipapirpriser kan forhandlere optimere handelsregler ved at identificere de bedste værdier, der skal anvendes for hver parameter for en given sikkerhed. Imidlertid er disse algoritmer ikke den hellige gral, og handlende bør være forsigtige med at vælge de rigtige parametre og ikke kurveformet (over fit). (For at læse mere om markedet, tjek Lyt til markedet, ikke dens pundits .)