Dalam "A Random Walk Down Down Wall Street" (1973), Burton Malkiel mencadangkan, "Sebuah monyet yang ditutupi mata panah di halaman kewangan akhbar boleh memilih satu portofolio yang akan dilakukan sekaligus satu yang dipilih dengan teliti oleh pakar." Walaupun evolusi mungkin membuat manusia tidak lagi bijak memetik stok, teori Charles Darwin telah terbukti berkesan apabila diterapkan secara lebih langsung.
TUTORIAL: Strategi Saham Picking
Apakah Algoritma Genetik?
Algoritma genetik (GA) adalah kaedah penyelesaian masalah (atau heuristik) yang meniru proses evolusi semulajadi. Tidak seperti rangkaian neural buatan (ANN), yang direka untuk berfungsi seperti neuron di otak, algoritma ini menggunakan konsep pemilihan semulajadi untuk menentukan penyelesaian terbaik untuk masalah. Akibatnya, GA biasanya digunakan sebagai pengoptimal yang menyesuaikan parameter untuk meminimumkan atau memaksimumkan beberapa langkah maklum balas, yang kemudiannya boleh digunakan secara bebas atau dalam pembinaan ANN. (Untuk mengetahui lebih lanjut mengenai ANN, lihat: Rangkaian Neural: Keuntungan Peramalan .)
Di pasaran kewangan, algoritma genetik yang paling biasa digunakan untuk mencari nilai kombinasi terbaik parameter dalam peraturan perdagangan, dan mereka boleh dibina ke dalam model ANN yang direka untuk memilih saham dan mengenal pasti perdagangan. Beberapa kajian telah menunjukkan keberkesanan kaedah ini, termasuk "Algoritma Genetik: Kejadian Penilaian Stok" (2004) dan "Aplikasi Algoritma Genetik dalam Pengoptimalan Perlombongan Data Pasaran Saham" (2004). (Untuk lebih lanjut, lihat: Bagaimana Algoritma Dagangan Diciptakan .)
Apakah Algoritma Genetik?
Bagaimana Algoritma Genetik berfungsi
Algoritma genetik dicipta secara matematik menggunakan vektor, iaitu kuantiti yang mempunyai arah dan magnitud. Parameter untuk setiap peraturan perdagangan diwakili dengan vektor satu dimensi yang boleh dianggap sebagai kromosom dalam istilah genetik. Sementara itu, nilai-nilai yang digunakan dalam setiap parameter boleh dianggap sebagai gen, yang kemudian diubahsuai menggunakan pemilihan semulajadi.
Sebagai contoh, peraturan perdagangan mungkin melibatkan penggunaan parameter seperti pergerakan purata penumpuan konvergensi (MACD), purata bergerak eksponen (EMA) dan stokastik. Algoritma genetik akan memasukkan nilai ke dalam parameter ini dengan matlamat memaksimumkan keuntungan bersih. Dari masa ke masa, perubahan kecil diperkenalkan, dan mereka yang membuat kesan yang diingini dikekalkan untuk generasi akan datang.
Terdapat tiga jenis operasi genetik yang boleh dilakukan:
- Crossovers mewakili pembiakan dan crossover yang dilihat dalam biologi, di mana kanak-kanak mengambil ciri-ciri tertentu ibu bapanya.Mutasi mewakili mutasi biologi dan digunakan untuk mengekalkan kepelbagaian genetik dari satu generasi populasi ke seterusnya dengan memperkenalkan perubahan kecil rawak. Pilihan adalah peringkat di mana genom individu dipilih dari populasi untuk pembiakan kemudian (rekombinasi atau crossover).
Tiga operasi ini kemudian digunakan dalam proses lima langkah:
- Inisialisasi populasi rawak, di mana setiap kromosom adalah n- panjang, dengan n ialah bilangan parameter. Iaitu, bilangan parameter rawak ditubuhkan dengan n elemen masing-masing. Pilih kromosom, atau parameter, yang meningkatkan keputusan yang diingini (mungkin keuntungan bersih). Berikan pengendali mutasi atau crossover kepada ibu bapa yang dipilih dan menjana anak. Rombakan keturunan dan penduduk semasa untuk membentuk penduduk baru dengan pengendali pemilihan. Mengulangi langkah dua hingga empat.
Dari masa ke masa, proses ini akan menghasilkan kromosom yang lebih baik (atau parameter) untuk digunakan dalam peraturan perdagangan. Proses ini kemudian ditamatkan apabila berhenti kriteria dipenuhi, yang boleh termasuk masa, kecergasan, bilangan generasi atau kriteria lain.
Menggunakan Algoritma Genetik dalam Perdagangan
Walaupun algoritma genetik digunakan terutamanya oleh pedagang kuantitatif institusi, peniaga individu boleh memanfaatkan kuasa algoritma genetik - tanpa ijazah dalam matematik lanjutan - menggunakan beberapa pakej perisian di pasaran. Penyelesaian ini terdiri daripada pakej perisian mandiri yang diarahkan ke pasaran kewangan kepada Microsoft Excel add-on yang boleh memudahkan lebih banyak analisis secara manual.
Apabila menggunakan aplikasi ini, peniaga boleh menentukan satu set parameter yang kemudian dioptimumkan menggunakan algoritma genetik dan satu set data sejarah. Sesetengah aplikasi boleh mengoptimumkan parameter yang digunakan dan nilai untuknya, sementara yang lain lebih tertumpu pada hanya mengoptimumkan nilai-nilai untuk set parameter tertentu. (Untuk mengetahui lebih lanjut mengenai strategi yang diperolehi oleh program ini, lihat: Kuasa Dagangan Program .)
Pemasangan kurva (overfitting), atau merancang sistem perdagangan di sekitar data sejarah dan bukannya mengenal pasti tingkah laku yang berulang, mewakili potensi risiko untuk pedagang yang menggunakan algoritma genetik. Mana-mana sistem perdagangan yang menggunakan GA harus diuji terlebih dahulu di atas kertas sebelum penggunaan langsung.
Memilih parameter adalah bahagian penting dalam proses ini, dan peniaga perlu mencari parameter yang berkaitan dengan perubahan harga keselamatan tertentu. Sebagai contoh, cuba penunjuk yang berbeza untuk melihat sama ada mana-mana seolah-olah berkait dengan perubahan utama pasaran. (Untuk lebih lanjut, lihat: Memilih Perisian Perdagangan Algoritma Kanan .)
Garisan bawah
Algoritma genetik adalah cara yang unik untuk menyelesaikan masalah kompleks dengan memanfaatkan kuasa alam. Dengan menggunakan kaedah ini untuk meramalkan harga keselamatan, peniaga boleh mengoptimumkan peraturan perdagangan dengan mengenal pasti nilai terbaik untuk digunakan bagi setiap parameter untuk keselamatan tertentu. Walau bagaimanapun, algoritma ini bukan Grail Kudus, dan peniaga perlu berhati-hati untuk memilih parameter yang betul dan tidak sesuai keluk. (Untuk bacaan tambahan, lihat: Bagaimana Kod Robot Dagangan Algo Anda Sendiri .)
