Sebuah sistem perdagangan Forex berdasarkan algoritma genetika. Baca artikel ini sebagai Mendes, L Godinho, Aplikasi P Kluwer Academic, Dordrecht 1996 MATH Google Scholar. Park, C - H Irwin, SH Apa yang kita ketahui tentang profitabilitas analisis teknis J Econ Surv 21 4, 786 826 2007 CrossRef Google Scholar. Pictet, OV Dacorogna, MM dkk Menggunakan algoritma genetika untuk optimasi yang kuat dalam aplikasi keuangan Neural Netw World 5 4, 573 587 1995 Google Scholar. Reeves, CR Menggunakan algoritma genetika dengan populasi kecil Di Prosiding Konferensi Internasional Kelima tentang Algoritma Genetika Morgan Kaufmann, San Mateo 1993 Google Scholar. Rothlauf, F Goldberg, D Replikasi berlebihan dalam perhitungan evolusioner Laboratorium Algoritma Genetika Illinois Laporan IlliGAL 2002.Schulmeister, S Komponen profitabilitas perdagangan mata uang teknis Appl Financ Econ 18 11, 917 930 2008 CrossRef Google Scholar. Sweeney, RJ Mengalahkan pasar valuta asing J Finance 41 1, 163 182 1986 Goo Gle Scholar. Wilson, G Banzhaf, W Interday perdagangan valuta asing menggunakan pemrograman genetika linier Dalam Prosiding Konferensi Tahunan ke 12 Perhitungan Genetik dan Evolusi GECCO 10 2010 Google Scholar. Copyright information. Springer Science Business Media, LLC 2012.Authors and Affiliations. Lus Mendes. Pedro Godinho. Email author.1 Faculdade de Economia Universidade de Coimbra Coimbra Portugal.2 Faculdade de Economia and GEMF Universidade de Coimbra Coimbra Portugal.3 Faculdade de Economia and Inesc - Coimbra Universidade de Coimbra Coimbra Portugal. Tentang artikel ini. Ada banyak sekali literatur tentang keberhasilan penerapan algoritma evolusioner secara umum, dan algoritma genetika khususnya, ke pasar keuangan. Namun, saya merasa tidak nyaman saat membaca ini. Literatur Algoritma genetika dapat terlalu sesuai dengan data yang ada Dengan begitu banyak kombinasi, mudah untuk menghasilkan beberapa peraturan yang bekerja Mungkin tidak kuat dan tidak memiliki penjelasan yang konsisten mengapa peraturan ini berjalan dan peraturan tersebut tidak Di luar argumen melingkar hanya bahwa itu bekerja karena pengujian menunjukkan itu works. What adalah konsensus saat ini pada penerapan algoritma genetik di finance. asked 1 Feb 8 11 pada 9 00.I telah bekerja pada hedge fund yang memungkinkan strategi yang diturunkan dari GA Untuk keamanan, diperlukan agar semua model diajukan jauh sebelum produksi untuk memastikan bahwa mereka masih bekerja di backtests Jadi mungkin ada penundaan Sampai beberapa bulan sebelum sebuah model akan diizinkan untuk dijalankan. Ini juga membantu memisahkan sampel alam semesta menggunakan setengah acak dari kemungkinan stok untuk analisis GA dan separuh lainnya untuk backtests konfirmasi. Apakah proses yang berbeda dari yang akan Anda gunakan sebelumnya Percaya pada strategi perdagangan lainnya Jika demikian, tidak jelas bagi saya apa yang Anda dapatkan dari membuat model GA menggunakan data ke waktu t, kemudian menguji sampai t N sebelum mempercayainya, versus menggunakan data ke waktu tN, menguji dari tN ke t, Dan segera menggunakannya Darren Cook 23 November jam 2 08. DarrenCook satu masalah yang saya lihat adalah bahwa jika Anda menguji dari tN ke t dan menemukannya tidak bekerja dengan baik, maka Anda akan menciptakan model lain yang diuji pada waktu yang sama. Periode tN ke t ad infinitum Itu mengenalkan sejenisnya Lihood meta - pengukuran selama proses pembuatan model Chan-Ho Suh 22 Jul 15 at 5 24. Mengetahui data-mengintip, jika GA diimplementasikan dengan benar, yang seharusnya tidak menjadi perhatian Fungsi mutasi secara khusus disertakan untuk pencarian secara acak melalui masalah Ruang, dan hindari data yang mengintip Yang sedang dikatakan, menemukan tingkat mutasi yang tepat bisa menjadi sesuatu seni dan jika tingkat mutasinya terlalu rendah, maka seolah-olah fungsinya tidak diimplementasikan di tempat pertama BioinformatikaGal 6 April 11 pukul 16 28. BoinformaticsGal Saya tidak mengerti bagaimana masuknya fungsi mutasi memungkinkan kita menghindari pengintaian data Setelah pencarian, ada fungsi kebugaran yang membuat setiap generasi menyesuaikan data lebih lama Atau saya tidak mengerti Anda dengan benar Vishal Belsare 15 September pukul 18 05. Ada banyak orang di sini yang berbicara tentang bagaimana orang-orang GA secara empiris, tidak memiliki dasar teoritis, adalah kotak hitam, dan sejenisnya saya mohon untuk berbeda Ada cabang keseluruhan ekonomi yang dikhususkan untuk melihat Pasar dalam hal metafora evolusioner Ekonomi Evolusioner. Saya sangat merekomendasikan buku Dopfer, The Evolutionary Foundations of Economics, sebagai intro. Jika pandangan filosofis Anda adalah bahwa pasar pada dasarnya adalah kasino raksasa atau permainan, maka GA hanyalah sebuah benda hitam. - box dan tidak memiliki landasan teoritis Namun, jika filosofi Anda adalah bahwa pasar adalah ekologi survival-of-the-fittest, maka GA memiliki banyak fondasi teoretis, dan sangat masuk akal untuk mendiskusikan hal-hal seperti spesiasi perusahaan, Ekologi pasar, genom portofolio, iklim perdagangan, dan sejenisnya. Terjawab pada 5 April 11 di 15 42. Dalam skala waktu yang singkat, ini lebih merupakan kasino Seperti alam, sebenarnya quantdev 5 April 11 di 20 46. quantdev, masalahnya dengan ini adalah Bahwa GA - seperti metode kuantitatif lainnya - hanya bekerja dengan skala waktu yang singkat, jika saya tidak salah Jadi jika pasar saham lebih seperti pasar saham, maka GA akan sama sekali tidak berguna Graviton 6 April 11 di 8 56. Graviton There Tidak ada alasan yang melekat mengapa Seseorang tidak bisa melakukan program GA untuk melakukan analisis pada rentang waktu yang lebih lama Domain waktu GA diukur dalam generasi, bukan tahun atau hari Jadi, orang hanya perlu mendefinisikan populasi yang berisi individu-individu yang berpendidikan bertahun-tahun atau puluhan tahun yang panjang yaitu perusahaan Ada Telah pasti beberapa pekerjaan yang mendekati mendefinisikan genom perusahaan oleh proses produksi mereka. Dalam model seperti itu, seseorang akan mengoptimalkan model bisnis perusahaan yang efisien, mengingat iklim pasar tertentu. Ini bukan model portofolio harga saham, namun BioinformaticsGal 6 April pukul 15 12.Mencari Anda menghindari bias pengucapan data dan semua potensi jebakan menggunakan masa lalu untuk memprediksi masa depan, mempercayai algoritma genetika untuk menemukan solusi yang tepat hampir bermuara pada taruhan yang sama dengan yang Anda buat saat Anda mengelola portofolio secara aktif, entah secara kuantitatif. Atau discretionary Jika Anda yakin dengan efisiensi pasar maka tingkatkan biaya transaksi Anda dari manajemen aktif tidak masuk akal Jika, betapapun Anda yakin Adalah pola psikologis struktural atau kekurangan untuk dieksploitasi dan hasilnya sepadan dengan waktu dan uang untuk meneliti dan menerapkan strategi pilihan logis adalah manajemen aktif. Memahami strategi yang diturunkan dari GA adalah taruhan tersirat terhadap efisiensi pasar Anda pada dasarnya mengatakan bahwa saya pikir Ada salah penilaian yang terjadi dari beberapa alasan massa orang irasional, reksa dana bergirang karena insentif yang salah selaras, dll dan menjalankan GA ini bisa menyortir data massal ini dengan cara yang lebih cepat daripada yang saya bisa. Diberikan 18 Februari 11 di 15 49 Secara keseluruhan mengelola portofolio aktif melibatkan penggunaan semua informasi yang kita miliki dan mendapatkan kesimpulan logis tentang pasar dan kemudian menjalankan strategi di atasnya, ini adalah aktivitas rasional OTOH, dengan menggunakan GA menggunakan alat kotak hitam, kita tidak dapat menjelaskan hasil yang diperoleh Dari situ dari prinsip yang berlaku saya tidak terlalu yakin apakah keduanya benar-benar sama Graviton 18 Feb 11 di 15 57. Graviton Ya tapi pertimbangkan kesamaan antara GA s dan bagaimana kita Manusia belajar tentang pasar, mengembangkan strategi, belajar dari kesalahan, dan beradaptasi dengan perubahan kondisi pasar Bila Anda meneliti apa yang dimiliki oleh saham yang menang dan kalah, atau berapa volume dan pola harga menciptakan perdagangan yang baik, atau model mana yang paling akurat untuk menilai derivatif? Apa yang Anda lakukan adalah data mining masa lalu dengan cara Ketika kondisi pasar mengubah Anda menukar strategi baru atau akhirnya gulung tikar Jika ada sisi yang dapat dimanfaatkan di pasar maka satu-satunya perbedaan antara Anda dan GA adalah Joshua Chance 18 Feb 11 di 16 46. Graviton dalam arti yang sangat luas adalah bahwa Anda memiliki sebuah narasi, sebuah cerita untuk mengikuti strategi kita. Kami manusia berisiko menemukan pola yang tampaknya berulang dan kemudian merasionalisasi dan menciptakan sebuah narasi GA s risiko hal yang sama, hanya mereka Model yang berpotensi salah tidak menggunakan kata-kata, mereka menggunakan matematika dan logika Joshua Chance 18 Feb 11 di 16 54. Thomas Cover yang terlambat kemungkinan teorema Informasi terkemuka generasinya, menganggap Universa Saya mendekati hal-hal seperti kompresi data dan alokasi portofolio sebagai algoritma genetika sejati. Evolusi tidak memiliki parameter untuk menyesuaikan atau melatih Mengapa algoritma genetika benar. Gunakan pendekatan tidak membuat asumsi tentang distribusi data yang mendasari Mereka tidak berusaha untuk memprediksi masa depan dari pola Atau yang lainnya. Keefektifan teoretis pendekatan Universal mereka menyajikan tantangan implementasi yang signifikan melihat pertanyaan terbaru saya Geometri untuk Portofolio Universal mengikuti dari mereka melakukan apa yang dibutuhkan evolusi Tantangan tercepat, paling cerdas, atau paling kuat yang harus bertahan pada generasi berikutnya Evolusi mendukung gen tersebut, Organisme, meme, portofolio, atau algoritma kompresi data diposisikan untuk paling mudah beradaptasi dengan apapun yang terjadi selanjutnya. Selain karena pendekatan ini tidak membuat asumsi dan beroperasi secara tidak parametrik, seseorang dapat mempertimbangkan semua tes, bahkan pada semua data historis, seperti out - Dari sampel. Tentu mereka memiliki keterbatasan, pastinya mereka tidak dapat bekerja untuk setiap orang Baik masalah yang kita hadapi di domain kita, tapi ya ampun, cara yang menarik untuk memikirkan hal-hal itu. Terjawab 14 Jul 13 di 15 42. Nah, tujuan algo genetik adalah menemukan solusi terbaik tanpa melalui semua kemungkinan Skenario karena akan terlalu lama Jadi tentu saja itu adalah kurva yang pas, itulah tujuannya. Mar 6 11 di 20 40. Tapi ada perbedaan yang signifikan antara overfitting sampel yang buruk dan sesuai dengan populasi yang baik Itulah sebabnya banyak yang menyarankan Anda Cross-validate your algorithm with out-of-sample testing Joshua 17 Jul 13 at 2 34. Your Answer.2017 Stack Exchange, Inc. Menggunakan Algoritma Genetika Untuk Memperkirakan Pasar Keuangan. Burton menyarankan dalam bukunya, A Random Walk Down Wall Street, 1973 bahwa, Monyet yang ditutup matanya melempar anak panah ke halaman keuangan surat kabar dapat memilih portofolio yang akan dilakukan sebaik yang dipilih oleh para ahli dengan cermat. Meskipun evolusi mungkin membuat manusia tidak lebih cerdas dalam memilih saham, teori Charles Darwin cukup efektif. W Jika diterapkan secara lebih langsung Untuk membantu Anda memilih saham, periksa Bagaimana Memilih Stok. Apa itu Algoritma Genetika. Algoritma genetika GA adalah metode pemecahan masalah atau heuristik yang meniru proses evolusi alami Tidak seperti jaringan syaraf tiruan JST, dirancang berfungsi seperti neuron Di otak, algoritma ini memanfaatkan konsep seleksi alam untuk menentukan solusi terbaik untuk sebuah masalah. Akibatnya, GA biasanya digunakan sebagai pengoptimasi yang menyesuaikan parameter untuk meminimalkan atau memaksimalkan beberapa ukuran umpan balik, yang kemudian dapat digunakan secara independen atau dalam Konstruksi JST. Di pasar keuangan algoritma genetika paling sering digunakan untuk menemukan nilai kombinasi parameter terbaik dalam aturan perdagangan, dan dapat dibangun menjadi model JST yang dirancang untuk memilih saham dan mengidentifikasi perdagangan Beberapa penelitian telah menunjukkan bahwa metode ini Dapat terbukti efektif, termasuk Genetic Algorithms Genesis of Stock Evaluation 2004 oleh Rama, dan The Applications of Genetic Algor Dalam Optimasi Data Mining Market Market 2004 oleh Lin, Cao, Wang, Zhang Untuk mempelajari lebih lanjut tentang JST, lihat Neural Networks Forecasting Profits. Bagaimana Algoritma Genetika Bekerja. Algoritma genetika dibuat secara matematis dengan menggunakan vektor, yaitu jumlah yang memiliki arah dan besaran Parameter Untuk setiap aturan perdagangan diwakili dengan vektor satu dimensi yang dapat dianggap sebagai kromosom dalam persyaratan genetik. Sementara itu, nilai yang digunakan pada setiap parameter dapat dianggap sebagai gen, yang kemudian dimodifikasi dengan menggunakan seleksi alam. Misalnya, sebuah Aturan perdagangan mungkin melibatkan penggunaan parameter seperti Moving Average Convergence-Divergence MACD Exponential Moving Average EMA dan Stochastics Algoritma genetika kemudian akan memasukkan nilai ke parameter ini dengan tujuan memaksimalkan laba bersih Seiring berjalannya waktu, perubahan kecil diperkenalkan dan yang membuat Dampak yang diinginkan tetap dipertahankan untuk generasi berikutnya. Ada tiga jenis operasi genetik yang kemudian dapat dilakukan. Crossover S mewakili reproduksi dan crossover biologi yang terlihat dalam biologi, di mana seorang anak mengambil karakteristik tertentu dari orang tuanya. Perhitungan mewakili mutasi biologis dan digunakan untuk mempertahankan keragaman genetik dari satu generasi populasi ke generasi berikutnya dengan memperkenalkan perubahan kecil secara acak. Pemilihan adalah Tahap di mana genom individu dipilih dari populasi untuk rekombinasi atau penyatuan kawin nanti. Ketiga operator ini kemudian digunakan dalam proses lima langkah. Menginisialisasi populasi acak, di mana setiap kromosom n-panjang, dengan n menjadi jumlah Parameter Artinya, jumlah parameter acak ditetapkan dengan n elemen masing-masing. Pilih kromosom, atau parameter, yang meningkatkan hasil yang diinginkan mungkin merupakan keuntungan bersih. Terapkan mutasi atau operator crossover kepada orang tua yang dipilih dan menghasilkan keturunan. Debut keturunan dan Populasi saat ini untuk membentuk populasi baru dengan operator seleksi. Ulangi langkah dua sampai empat. Sepanjang waktu, pro ini Cess akan menghasilkan kromosom yang semakin baik atau, parameter untuk digunakan dalam aturan perdagangan Proses ini kemudian dihentikan saat kriteria penghentian terpenuhi, yang dapat mencakup waktu berjalan, fitness, jumlah generasi atau kriteria lainnya. Untuk informasi lebih lanjut tentang MACD, baca Trading The MACD Divergence. Menggunakan Algoritma Genetika di Perdagangan. Sementara algoritma genetika terutama digunakan oleh pedagang kuantitatif kelembagaan, setiap pedagang dapat memanfaatkan kekuatan algoritma genetika - tanpa gelar dalam matematika tingkat lanjut - menggunakan beberapa paket perangkat lunak yang ada di pasaran. Solusi ini berkisar dari paket perangkat lunak mandiri Diarahkan ke pasar keuangan untuk Microsoft Excel add-ons yang dapat memfasilitasi lebih banyak analisis langsung. Ketika menggunakan aplikasi ini, trader dapat menentukan seperangkat parameter yang kemudian dioptimalkan menggunakan algoritma genetika dan sekumpulan data historis Beberapa aplikasi dapat dioptimalkan. Parameter mana yang digunakan dan nilai untuk mereka, sementara yang lain terutama difokuskan pada simp Dengan mengoptimalkan nilai untuk seperangkat parameter yang ada Untuk mempelajari lebih lanjut tentang strategi turunan program ini, lihat Kekuatan Program Perdagangan. Tip dan Tip Pengoptimalan yang Penting. Memastikan pemasangan yang pas, merancang sistem perdagangan seputar data historis daripada mengidentifikasi perilaku berulang, Merupakan potensi risiko bagi pedagang yang menggunakan algoritma genetika. Sistem perdagangan apa pun yang menggunakan GA harus diuji di depan di atas kertas sebelum penggunaan langsung. Parameter pilihan merupakan bagian penting dari proses, dan pedagang harus mencari parameter yang berkorelasi dengan perubahan harga suatu Mengingat keamanan Misalnya, cobalah indikator yang berbeda dan lihat apakah ada yang berkorelasi dengan pergantian pasar utama. Algoritma genetika adalah cara unik untuk memecahkan masalah yang kompleks dengan memanfaatkan kekuatan alam Dengan menerapkan metode ini untuk memprediksi harga sekuritas, para pedagang dapat mengoptimalkan peraturan perdagangan Dengan mengidentifikasi nilai terbaik yang akan digunakan untuk setiap parameter untuk keamanan tertentu Namun, algoritma ini adalah Bukan Holy Grail, dan trader harus berhati-hati memilih parameter yang tepat dan tidak melengkung sesuai fit Untuk membaca lebih banyak tentang pasar, lihat Listen To The Market, Not The Pundits.
No comments:
Post a Comment