Sistema De Comercio De Algoritmos Genéticos

Creación de un sistema de comercio dentro del sistema de comercio Laboratorio Lab System Lab generará automáticamente los sistemas de comercio en cualquier mercado en pocos minutos utilizando un programa informático muy avanzado conocido como AIMGP (inducción automática de código de máquina con programación genética). Creación de un sistema de comercio dentro de Trading System Lab se lleva a cabo en 3 sencillos pasos. En primer lugar, se ejecuta un preprocesador simple que extrae y procesa automáticamente los datos necesarios del mercado con el que desea trabajar. TSL acepta CSI, MetaStock, AIQ, TradeStation, datos de Internet gratis, ASCII, TXT, CSV, CompuTrac, DowJones, FutureSource, TeleChart2000v3, TechTools, XML, datos binarios e Internet Streaming. En segundo lugar, el generador del sistema de comercio (GP) se ejecuta durante varios minutos, o más, para desarrollar un nuevo sistema de comercio. Puede utilizar sus propios datos, patrones, indicadores, relaciones intermarcas o datos fundamentales dentro de TSL. En tercer lugar, el sistema de comercio evolucionado está formateado para producir nuevas señales del sistema de comercio desde TradeStation o muchas otras plataformas comerciales. TSL escribirá automáticamente Easy Language, Java, Assembler, código C, código C y WealthLab Script Language. El Sistema de Negociación puede ser negociado manualmente, negociado a través de un corredor, o negociado automáticamente. Usted puede crear el sistema de comercio usted mismo o podemos hacerlo por usted. Entonces, o usted o su corredor pueden negociar el sistema manualmente o automáticamente. Trading System Labs Genética Programa contiene varias características que reducen la posibilidad de ajuste de curva, o la producción de un sistema de comercio que no continúe realizando en el futuro. En primer lugar, los Sistemas de Negociación evolucionados tienen su tamaño podado hasta el tamaño más bajo posible a través de lo que se llama Presión de Parsimonia, tomando como base el concepto de longitud de descripción mínima. Por lo tanto, el sistema de comercio resultante es tan simple como sea posible y generalmente se cree que cuanto más simple sea el sistema de comercio, mejor se llevará a cabo en el futuro. En segundo lugar, la aleatoriedad se introduce en el proceso evolutivo, lo que reduce la posibilidad de encontrar soluciones que sean localmente, pero no globalmente óptimas. La aleatoriedad se introduce no sólo en las combinaciones del material genético utilizado en los Sistemas de Negociación evolucionados, sino en la Parsimonia de Presión, Mutación, Crossover y otros parámetros GP de nivel superior. Se realizan pruebas fuera de la muestra mientras se está realizando el entrenamiento con la información estadística presentada en las pruebas de la muestra y fuera de la muestra del sistema de comercio. Los registros de ejecución se presentan al usuario para los datos de formación, validación y fuera de muestra. Un buen comportamiento El rendimiento de la muestra puede ser indicativo de que el sistema de comercio está evolucionando con características robustas. El deterioro sustancial en las pruebas automáticas fuera de la muestra en comparación con las pruebas en la muestra puede implicar que la creación de un robusto sistema de comercio está en duda o que el terminal o conjunto de entrada puede ser necesario cambiar. Por último, el conjunto de terminales se elige cuidadosamente para no sesgar excesivamente la selección del material genético inicial hacia cualquier sesgo o sentimiento particular del mercado. TSL no comienza su ejecución con un sistema de comercio predefinido. De hecho, inicialmente sólo se establece el conjunto de entradas y una selección de modos o modos de entrada en el mercado, para la búsqueda y asignación automática de entradas. Un patrón o indicador de comportamiento que puede ser pensado como una situación alcista puede ser utilizado, descartado o invertido dentro de la GP. Ningún patrón o indicador está preasignado a ningún sesgo particular del movimiento del mercado. Esta es una salida radical del desarrollo generado manualmente del sistema de negociación. Un sistema de comercio es un conjunto lógico de instrucciones que le dicen al comerciante cuándo comprar o vender un mercado en particular. Estas instrucciones rara vez requieren la intervención de un comerciante. Los Sistemas de Negociación pueden ser negociados manualmente, observando las instrucciones de negociación en una pantalla de computadora, o pueden ser intercambiados permitiendo que la computadora ingrese los oficios en el mercado automáticamente. Ambos métodos están en uso generalizado hoy en día. Hay más administradores de dinero profesionales que se consideran operadores sistemáticos o mecánicos que aquellos que se consideran discrecionales, y el desempeño de los administradores sistemáticos de dinero es generalmente superior al de los administradores de dinero discrecional. Los estudios han demostrado que las cuentas comerciales generalmente pierden dinero más a menudo si el cliente no está usando un sistema de comercio. El significativo aumento de los sistemas de negociación en los últimos 10 años es evidente, especialmente en las empresas de corretaje de materias primas, sin embargo las empresas de corretaje de acciones y bonos están cada vez más conscientes de los beneficios mediante el uso de sistemas de negociación y algunos han comenzado a ofrecer sistemas de negociación a sus Clientes minoristas. La mayoría de los gestores de fondos mutuos ya están utilizando algoritmos informáticos sofisticados para guiar sus decisiones en cuanto a qué stock caliente a elegir o qué rotación del sector está a favor. Los ordenadores y los algoritmos se han convertido en la corriente principal en la inversión y esperamos que esta tendencia continúe mientras que los inversionistas más jóvenes y más informáticos continúan permitiendo que partes de su dinero sean administradas por Trading Systems para reducir el riesgo y aumentar los retornos. Las enormes pérdidas experimentadas por los inversionistas que participan en la compra y tenencia de acciones y fondos mutuos como el mercado de valores se derritieron en los últimos años está fomentando este movimiento hacia un enfoque más disciplinado y lógico a la inversión en el mercado de valores. El inversionista medio se da cuenta de que él o ella actualmente permite que muchos aspectos de sus vidas y vidas de sus seres queridos sean mantenidos o controlados por computadoras como los automóviles y aviones que usamos para el transporte, el equipo de diagnóstico médico que usamos para el mantenimiento de la salud, Los controladores de calefacción y refrigeración que utilizamos para el control de la temperatura, las redes que utilizamos para la información basada en Internet, incluso los juegos que jugamos para el entretenimiento. Por qué entonces algunos inversores minoristas creen que pueden disparar desde la cadera en sus decisiones en cuanto a qué acciones o fondos mutuos para comprar o vender y esperar a ganar dinero Por último, el inversionista promedio se ha convertido en cauteloso de los consejos y la información remitida por corredores sin escrúpulos , Contadores, directores corporativos y asesores financieros. Durante los últimos 20 años, los matemáticos y los desarrolladores de software han buscado indicadores y patrones en los mercados de acciones y materias primas que buscan información que pueda apuntar a la dirección del mercado. Esta información se puede utilizar para mejorar el rendimiento de los sistemas de negociación. Generalmente, este proceso de descubrimiento se logra mediante una combinación de prueba y error y una minería de datos más sofisticada. Por lo general, el desarrollador tomará semanas o meses de crujido de números con el fin de producir un sistema de comercio potencial. Muchas veces este sistema de comercio no funcionará bien cuando realmente se utiliza en el futuro debido a lo que se llama ajuste de curva. A lo largo de los años ha habido muchos sistemas de comercio (y empresas de desarrollo de sistemas de comercio) que han ido y venido como sus sistemas han fallado en el comercio en vivo. Desarrollar sistemas de negociación que continúen realizando en el futuro es difícil, pero no imposible de lograr, aunque ningún desarrollador ético o administrador de dinero dará una garantía incondicional de que cualquier sistema de comercio, o de cualquier acción, bono o fondo mutuo, continuará Para producir beneficios en el futuro para siempre. Lo que llevó semanas o meses para que el desarrollador del Sistema de Negociación produjera en el pasado puede ahora ser producido en cuestión de minutos a través del uso de Trading System Lab. Trading System Lab es una plataforma para la generación automática de Trading Systems y Trading Indicators. TSL hace uso de un motor de programación genética de alta velocidad y producirá sistemas de negociación a una tasa de más de 16 millones de barras de sistema por segundo basado en 56 entradas. Tenga en cuenta que sólo unas pocas entradas realmente serán usadas o necesarias resultando en estructuras de estrategia evolucionadas generalmente simples. Con aproximadamente 40.000 a 200.000 sistemas necesarios para una convergencia, el tiempo de convergencia para cualquier conjunto de datos puede ser aproximado. Tenga en cuenta que no estamos simplemente ejecutando una optimización de la fuerza bruta de los indicadores existentes en busca de parámetros óptimos desde los que utilizar en un sistema de comercio ya estructurado. El Generador del Sistema de Negociación comienza en un origen de punto cero sin hacer suposiciones sobre el movimiento del mercado en el futuro y luego desarrolla los Sistemas de Negociación a un ritmo muy alto combinando la información presente en el mercado y formulando nuevos filtros, funciones, condiciones y relaciones. Progresa hacia un sistema de comercio genéticamente modificado. El resultado es que un excelente sistema de comercio puede ser generado en unos pocos minutos en 20-30 años de datos de mercado diarios en prácticamente cualquier mercado. En los últimos años ha habido varios enfoques para la optimización del sistema de comercio que emplean el Algoritmo Genético menos potente. Los Programas Genéticos (GPs) son superiores a los Algoritmos Genéticos (AGs) por varias razones. En primer lugar, los GPs convergen en una solución a una tasa exponencial (muy rápido y cada vez más rápido), mientras que los algoritmos genéticos convergen a una velocidad lineal (mucho más lento y no obtener más rápido). En segundo lugar, los médicos generan en realidad el código de sistema del sistema de comercio que combina el material genético (indicadores, patrones, datos inter-mercado) de maneras únicas. Estas combinaciones únicas pueden no ser intuitivamente obvias y no requieren definiciones iniciales por el desarrollador del sistema. Las relaciones matemáticas únicas creadas pueden convertirse en nuevos indicadores, o variantes en el Análisis Técnico, aún no desarrollados o descubiertos. Por otro lado, los GAs simplemente buscan soluciones óptimas a medida que avanzan en el rango de parámetros, no descubren nuevas relaciones matemáticas y no escriben su propio código de sistema de comercio. Los GPs crean código del sistema de comercio de varias longitudes, usando genomas de longitud variable, modificarán la longitud del sistema de comercio a través de lo que se llama crossover no homóloga y descartarán completamente un indicador o patrón que no contribuye a la eficiencia del sistema de comercio. Los GAs usan sólo bloques de instrucción de tamaño fijo, haciendo uso de solo crossover homólogo y no producen código de sistema de Trading de longitud variable, ni descartan un indicador o patrón ineficiente tan fácilmente como un GP. Por último, los programas genéticos son un avance reciente en el dominio del aprendizaje automático, mientras que los algoritmos genéticos fueron descubiertos hace 30 años. Los programas genéticos incluyen todas las funcionalidades principales de los algoritmos genéticos crossover, reproducción, mutación y fitness, sin embargo GPs incluyen mucho más rápido y robusto características, haciendo GPs la mejor opción para la producción de Trading Systems. El GP empleado en TSLs Trading System Generator es el GP más rápido disponible actualmente y no está disponible en ningún otro software de mercado financiero en el mundo. El Algoritmo de Programación Genética, el Simulador de Comercio y los Motores de Fitness utilizados en TSL tomaron más de 8 años para producir. Trading System Lab es el resultado de años de duro trabajo de un equipo de ingenieros, científicos, programadores y comerciantes, y creemos que representa la tecnología más avanzada disponible hoy en día para el comercio de los mercados. Selección Natural: Algoritmo Genético para la Optimización del Sistema Programación Genética Evo 2 Es nuestra avanzada biblioteca de algoritmos genéticos que incorpora lo último en diseño de algoritmos genéticos, tales como procesos biológicamente idénticos, interruptores epigenéticos, recocido simulado, prevención de endogamia de Westermarck, recombinación limitada por edad y más. El algoritmo de Evo 2 no está basado en el diseño de un solo cromosoma GA estándar. Evo 2 resuelve rápidamente los problemas de optimización multivariante y se adapta bien a la complejidad. El algoritmo Evo 2 fue diseñado para la programación genética (creación autónoma de sistemas de negociación), optimización de sistemas comerciales y optimización de carteras. Evo 2 permite a los desarrolladores desarrollar optimizaciones multivariantes de sistemas comerciales con facilidad. El genoma bio-idéntico y el algoritmo Evo 2 no sólo es bio-inspirado, sino que es bio-idéntico en muchos aspectos. Evo 2 simula cada proceso natural de la selección del compañero al empaquetado del ADN ya la meiosis completa. La mayoría de los algoritmos genéticos estándar descuidan realizar los múltiples pasos de la meiosis que son de vital importancia para la variación genética, una variable crucialmente importante para evitar la optima local. Prophase Durante la profase, la sinapsis de los cromosomas y una pequeña cantidad de ADN se intercambian entre cromosomas homólogos a través de un proceso conocido como cruce. La parte crítica de la profase es el alineamiento de las tetrads en parejas homólogas. El algoritmo Evo 2 asegura que los homólogos sólo se crean a partir de cromosomas sexuales no relacionados. Metafase y anafase La metafase y anafase son las fases donde se incorpora mucha variación en el genoma sin embargo, la mayoría de los algoritmos genéticos dejan completamente estos pasos. Evo 2 simula ambas fases completamente y con precisión. No hay endogamia permitida La mayoría de los algoritmos genéticos estándar son sopa endogámica, técnicamente hablando. La endogamia reduce la variación genética, que basta con decir, impide que los sistemas evolucionen y se adapten a su entorno. En las GA estándar, esto significa que es más probable que un sistema se atasque en la optima local. Aunque la naturaleza tiene al menos tres mecanismos para prevenir la endogamia, la mayoría de los algoritmos genéticos no abordan este problema. El primer método: Evitar que los hijos se reproduzcan. La endogamia da como resultado un aumento de la homocigosidad, lo que puede aumentar las posibilidades de que los descendientes sean afectados por rasgos recesivos o deletéreos. El segundo mecanismo: Alejar a los varones jóvenes para evitar el incesto entre hermanos. El tercer mecanismo: El efecto Westermarck. Este es un efecto psicológico a través del cual los individuos que se crian en estrecha proximidad durante la infancia se vuelven insensibles a la atracción sexual posterior. La consecuencia final de la endogamia es la extinción de especies debido a la falta de diversidad genética. El guepardo, una de las especies más endogámicas de la tierra, es un excelente ejemplo. Y, también pasa a estar en peligro de extinción. Hace veinte mil años, los guepardos vagaban por África, Asia, Europa y América del Norte. Hace unos 10.000 años, debido al cambio climático, todas las especies excepto una se extinguieron. Con la reducción drástica en su número, parientes cercanos se vieron obligados a reproducirse, y el guepardo se convirtió en genéticamente endogámico, lo que significa que todos los guepardos están muy estrechamente relacionados. Aunque la naturaleza prohíbe la endogamia, casi todos los algoritmos genéticos simulados por ordenador pasan por alto este problema. Evo 2 evita la consanguinidad mediante el efecto Westermarck y otros efectos simulados. Interruptores epigenéticos La teoría epigenética describe cómo los cambios en la expresión génica pueden ser causados ​​por mecanismos distintos a los cambios en la secuencia de ADN subyacente, temporalmente oa través de múltiples generaciones, influyendo en una red de interruptores químicos dentro de las células conocidas colectivamente como epigenoma. Evo 2 puede simular interruptores epigenéticos para permitir que el sistema sea penalizado temporalmente por acciones tales como ser demasiado codicioso o aversión al riesgo. Recocido simulado El recocido simulado es un metaheurístico probabilístico para el problema de optimización global de localizar una buena aproximación al óptimo global de una función dada en un espacio de búsqueda grande. Se utiliza a menudo cuando el espacio de búsqueda es discreto. Para ciertos problemas, el recocido simulado puede ser más eficiente que la enumeración exhaustiva. Family Tree Evo 2 puede guardar información genealógica para cada genoma para que los usuarios puedan revisar la progresión del algoritmo genético para ver cómo ciertos genes han evolucionado con el tiempo. Karyogram Viewer Evo 2 cuenta con un karyogram incorporado, que permite la visualización de los genomas mientras que los algoritmos genéticos están evolucionando. El karyograma podría personalizarse para mostrar información genealógica para genomas específicos a través de un menú contextual. Evo 2 Aplicaciones Evo 2 puede ser utilizado en el lado cliente o servidor para la programación genética (creación autónoma de sistemas comerciales), optimización de sistemas de trading, optimización de cartera, asignación de activos y aplicaciones no financieras relacionadas, incluyendo pero no limitado a creatividad artificial, automatizado Diseño, bioinformática, cinética química, codificación, ingeniería de control, modelos Feynman-Kac, filtrado y procesamiento de señales, aplicaciones de programación, ingeniería mecánica, optimización estocástica y problemas de horarios. Ejemplos de programación genética Los ejemplos de programación de TradeScript muestran a los desarrolladores cómo crear modelos de programación genética capaces de volver a probar y optimizar estrategias. La documentación de programación se puede descargar aquí. Un sistema de comercio de Forex basado en un algoritmo genético Primero en línea: 04 de abril de 2012 Recibido: 20 de abril de 2010 Aceptado: 21 de marzo de 2012 Citar este artículo como: Mendes, L. Godinho, P. Dias, J. J En este trabajo, se describirá un algoritmo genético que tiene como objetivo optimizar un conjunto de reglas que constituyen un sistema de negociación para el mercado Forex mercado. Cada individuo de la población representa un conjunto de diez reglas técnicas de negociación (cinco para entrar en una posición y otras cinco para salir). Estas reglas tienen 31 parámetros en total, que corresponden a los genes individuales. La población evolucionará en un entorno determinado, definida por una serie temporal de un par de divisas específico. La idoneidad de un determinado individuo representa lo bien que ha podido adaptarse al medio ambiente, y se calcula aplicando las reglas correspondientes a la serie cronológica, y luego calculando la relación entre el beneficio y la reducción máxima (la relación de Stirling) . Se han utilizado dos pares de divisas: EUR / USD y GBP / USD. Se utilizaron diferentes datos para la evolución de la población y para la prueba de los mejores individuos. Se discuten los resultados obtenidos por el sistema. Las mejores personas son capaces de lograr muy buenos resultados en la serie de entrenamiento. En la serie de pruebas, las estrategias desarrolladas muestran cierta dificultad para lograr resultados positivos, si se tienen en cuenta los costos de transacción. Si se ignoran los costos de transacción, los resultados son en su mayoría positivos, lo que demuestra que las mejores personas tienen alguna capacidad de pronóstico. Alvarez-Díaz, M. Alvarez, A. Pronosticando tipos de cambio utilizando algoritmos genéticos. Appl. Econ. Letón. 10 (6), 319322 (2003) CrossRef Brabazon, A. ONeill, M. Evolución de las normas técnicas de comercio de los mercados de divisas a la vista utilizando la evolución gramatical. Comput. Manag. Sci. 1 (3), 311327 (2004) MATEMÁTICAS CrossRef Davis, L. Manual de Algoritmos Genéticos. Van Nostrand - Reinhold, Nueva York (1991) Dempster, M. A.H. Jones, C. M. Un sistema de comercio adaptativo en tiempo real que utiliza la programación genética. Cantidad. Finance 1 (4), 397413 (2001) CrossRef Dunis, C. Harris, A. et al. Optimización de los modelos de trading intradía con algoritmos genéticos. Red Neural La medida de la elección de la medida de rendimiento influye en la evaluación de los fondos de cobertura J. Bank. Finanzas 31 (9), 26322647 (2007) CrossRef Fama, E. F. Eficiente de los mercados de capital: una revisión de la teoría y el trabajo empírico. J. Finanzas 25 (2), 383417 (1970) CrossRef Goldberg, D. Algoritmos Genéticos en Búsqueda, Optimización y Aprendizaje Automático. Addison-Wesley, Reading (1989) MATH Grefenstette, J. J. Algoritmos genéticos para cambiar ambientes. En: Parallel Problem Solving de Nature 2, Bruselas (1992) Harding, D. Nakou, G. et al. Los pros y los contras de la reducción como una medida estadística de riesgo para las inversiones. AIMA Journal, April 1617 (2003) Hirabayashi, A. Aranha, C. et al. Optimización de la regla comercial en divisas usando algoritmo genético. Hryshko, A. Downs, T. Sistema para el intercambio de divisas usando algoritmos genéticos y aprendizaje de refuerzo (GECCO09, 2009). Int. J. Syst. Sci. 35 (13), 763774 (2004) MATH CrossRef Kaboudan, M. A. Predicción de la programación genética de los precios de las acciones. Comput. Econ. 16 (3), 207236 (2000) MATH CrossRef LeBaron, B. Rentabilidad técnica de las reglas de negociación e intervención en divisas. J. Int. Econ. 49 (1), 125143 (1999) CrossRef LeBaron, B. Rentabilidad técnica de los mercados de divisas en los años noventa (2002) Levich, R. M. Thomas, L. R. La importancia de las ganancias técnicas de las reglas de negociación en el mercado de divisas: un enfoque de "bootstrap". J. Int. Dinero Financ. 12 (5), 451474 (1993) CrossRef Lo, A. W. La hipótesis de los mercados adaptativos. J. Portf. Manag. 30 (5), 1529 (2004) CrossRef Menkhoff, L. Taylor, M. P. La pasión obstinada de los profesionales de cambio: análisis técnico. J. Econ. Iluminado. 45 (4), 936972 (2007) CrossRef Meyers, T. A. El Curso de Análisis Técnico. McGraw-Hill, Nueva York (1989) Mitchell, M. Introducción a Algoritmos Genéticos. MIT Press, Cambridge (1996) Neely, C. Weller, P. Comercio técnico intradía en el mercado de divisas. J. Int. Dinero Financ. 22 (2), 223237 (2003) CrossRef Neely, C. Weller, P. et al. Es el análisis técnico en el mercado de divisas rentable Un enfoque de programación genética. J. Financ. Cantidad. Anal. 32 (4), 405426 (1997) CrossRef Neely, C. J. Weller, P. A. Et al. La hipótesis de los mercados adaptativos: evidencia del mercado de divisas. J. Financ. Cantidad. Anal. 44 (02), 467488 (2009) CrossRef Olson, D. Las ganancias de las normas comerciales en los mercados cambiarios han disminuido con el tiempo? J. Bank. Finance 28 (1), 85105 (2004) CrossRef Osman, I. H. Kelly, J. P. Meta-Heurística: Aplicaciones de la teoría y del amplificador. Kluwer Académico, Dordrecht (1996) MATH Park, C.-H. Irwin, S. H. Qué sabemos sobre la rentabilidad del análisis técnico J. Econ. Surv. 21 (4), 786826 (2007) CrossRef Pictet, O. V. Dacorogna, M. M. Et al. Usando algoritmos genéticos para optimización robusta en aplicaciones financieras. Red Neural World 5 (4), 573587 (1995) Reeves, C. R. Usando algoritmos genéticos con poblaciones pequeñas. En: Actas de la Quinta Conferencia Internacional sobre Algoritmos Genéticos. Morgan Kaufmann, San Mateo (1993) Rothlauf, F. Goldberg, D. Representaciones redundantes en la computación evolutiva. Illinois Laboratorio de Algoritmos Genéticos (IlliGAL) Informe (2002) Schulmeister, S. Componentes de la rentabilidad del comercio de divisas técnicas. Appl. Financ. Econ. 18 (11), 917930 (2008) CrossRef Sweeney, R. J. Superando el mercado de divisas. J. Finanzas 41 (1), 163182 (1986) Wilson, G. Banzhaf, W. Interday intercambio de divisas utilizando la programación genética lineal. En: Actas de la 12ª Conferencia Anual sobre Computación Genética y Evolutiva GECCO10 (2010) Información sobre el copyright Springer ScienceBusiness Media, LLC 2012 Autores y Afiliaciones Lus Mendes 1 Pedro Godinho 2 Joana Dias 3 Enviar mensaje por correo electrónico 1. Faculdade de Economía Universidad de Coimbra Coimbra Portugal 2 Facultad de Economía y GEMF Universidad de Coimbra Coimbra Portugal 3. Facultad de Economía e Inesc-Coimbra Universidad de Coimbra Coimbra Portugal Acerca de este artículo Imprimir ISSNAdvanced Source Code. Com. Haga click aquí para descargar. Los algoritmos genéticos pertenecen a una clase de algoritmos de aprendizaje de máquina que se han utilizado con éxito en una serie de áreas de investigación. Existe un interés creciente por su uso en economía financiera, pero hasta ahora ha habido poco análisis formal. En el mercado de valores, una regla técnica de negociación es una herramienta popular para los analistas y los usuarios para hacer su investigación y decidir comprar o vender sus acciones. La clave para el éxito de una regla comercial es la selección de valores para todos los parámetros y sus combinaciones. Sin embargo, el rango de parámetros puede variar en un dominio grande, por lo que es difícil para los usuarios encontrar la mejor combinación de parámetros. Mediante el uso de un algoritmo genético, podemos buscar tanto la estructura como los parámetros de las reglas al mismo tiempo. Hemos optimizado un sistema comercial que ha sido desarrollado por Alfredo Rosa utilizando algoritmos genéticos. Una nueva y compleja regla comercial de 16 barras ha sido descubierta y probada en FIB italiana con brillantes resultados. Términos de indexación: Matlab, fuente, código, minería de datos, sistema de comercio, predicción del mercado de valores, extracción de reglas comerciales, algoritmos genéticos, sistemas comerciales, gráfico de barras, gráfico de velas, patrones de precios, combinación de parámetros. Figura 1. Estructura genética Un patrón de precios complejo optimizado descubierto por algoritmos genéticos. Código de demostración (archivos P protegidos) disponible para evaluación de rendimiento. Matlab Financial Toolbox, Genetic Algorithm y Direct Search Toolbox son necesarios. Recomendamos comprobar la conexión segura con PayPal, para evitar fraudes. Esta donación debe considerarse un estímulo para mejorar el código mismo. Genetic Trading System - Haga clic aquí para su donación. Para obtener el código fuente hay que pagar una pequeña suma de dinero: 90 EUROS (menos de 126 dólares americanos). Una vez que haya hecho esto, por favor envíenos un correo electrónico luigi. rosatiscali. it Tan pronto como sea posible (en unos días) recibirá nuestro nuevo lanzamiento de Genetic Trading System. Alternativamente, puede otorgar usando nuestras coordenadas bancarias: SnowCron SnowCron Genetic Algorithm en FOREX Trading Systems utilizando Algoritmo Genético para crear rentable FOREX Trading Strategy. Algoritmo Genético en Cortex Redes Neuronales Software Feedforward Backpropagation Neural Network Aplicación para cálculos genéticos basados ​​en comercio de Forex. Este ejemplo utiliza conceptos e ideas del artículo anterior, por lo que lea el Algoritmo Genético de redes neuronales en FOREX Trading Systems en primer lugar, aunque no es obligatorio. Acerca de este texto En primer lugar, lea la cláusula de exención de responsabilidad. Este es un ejemplo de usar la funcionalidad de algoritmo genético del Software de redes neuronales de Cortex, no un ejemplo de cómo hacer negocios rentables. Yo no soy tu gurú, tampoco debería ser responsable de tus pérdidas. Cortex Neural Networks Software tiene redes neurales en él, y FFBP hemos discutido antes es sólo una forma de elegir una estrategia de comercio de divisas. Es una buena técnica, potente y cuando se aplica correctamente, muy prometedor. Sin embargo, tiene un problema - enseñar a la Red Neural. Necesitamos saber la salida deseada. Es bastante fácil de hacer cuando hacemos la aproximación de función, simplemente tomamos el valor real de una función, porque sabemos lo que debería ser. Cuando hacemos la predicción de redes neuronales. Utilizamos la técnica (descrita en artículos anteriores) de enseñar la Red Neural sobre la historia, de nuevo, si predecimos, digamos, un tipo de cambio, sabemos (durante el entrenamiento) cuál es la predicción correcta. Sin embargo, cuando estamos construyendo un sistema comercial, no tenemos idea de cuál es la decisión comercial correcta, incluso si sabemos el tipo de cambio. Como cuestión de hecho, tenemos muchas estrategias de compraventa de divisas que podemos utilizar en cualquier momento, y Necesitamos encontrar una buena - cómo Qué debemos alimentar como la salida deseada de nuestra red neuronal Si siguió nuestro artículo anterior, usted sabe, que hemos engañado para hacer frente a este problema. Enseñamos a la Red Neural para hacer la predicción del tipo de cambio (o indicador basado en el tipo de cambio) y luego utilizamos esta predicción para hacer el comercio. Luego, fuera de la parte de la Red Neural del programa, tomamos una decisión sobre qué Red Neural es la mejor. Algoritmos genéticos pueden hacer frente a este problema directamente, pueden resolver el problema declarado como encontrar las mejores señales comerciales. En este artículo vamos a utilizar Cortex Neural Networks Software para crear un programa de este tipo. Usando el Algoritmo Genético Los Algoritmos Genéticos están muy bien desarrollados, y muy diversos. Si quieres aprender todo sobre ellos, te sugiero que utilices Wikipedia, ya que este artículo trata solo de lo que puede hacer el software de Redes Neuronales Cortex. Tener software de redes neuronales de corteza. Podemos crear una Red Neural que toma algo de entrada, digamos, los valores de un indicador, y produce algo de salida, digamos, señales comerciales (comprar, vender, mantener) y detener la pérdida / tomar los niveles de beneficios para las posiciones que se abren. Por supuesto, si sembramos estos pesos de la Red Neural al azar, los resultados comerciales serán terribles. Sin embargo, digamos que creamos una docena de tales NN. Entonces podemos probar el rendimiento de cada uno de ellos, y elegir el mejor, el ganador. Esta fue la primera generación de NNs. Para continuar a la segunda generación, tenemos que permitir que nuestro ganador para procrear, pero para evitar copias idénticas, vamos a añadir algún ruido al azar a sus pesos descententes. En la segunda generación, tenemos a nuestro ganador de primera generación ya sus copias imperfectas (mutadas). Vamos a hacer las pruebas de nuevo. Tendremos otro ganador, que es MEJOR entonces cualquier otra Red Neural en la generación. Y así. Simplemente permitimos que los ganadores se reproduzcan y eliminen a los perdedores, al igual que en la evolución de la vida real, y obtendremos nuestra Red Neural de mejor comercio. Sin ningún conocimiento previo sobre qué debería ser el sistema comercial (algoritmo genético). Algoritmo Genético de Red Neural: Ejemplo 0 Este es el primer ejemplo de algoritmo genético. Y una muy simple. Vamos a caminar paso a paso para aprender todos los trucos que usarán los siguientes ejemplos. El código tiene comentarios en línea, así que solo debemos enfocar momentos clave. En primer lugar, hemos creado una red neuronal. Está utilizando pesos al azar, y todavía no se enseñó. Luego, en ciclo, hacemos 14 copias de ella, usando MUTATIONNN fumction. Esta función hace una copia de una red neuronal de origen. Añadiendo valores aleatorios de 0 a (en nuestro caso) 0,1 a todos los pesos. Mantenemos las manijas a 15 NNs resultantes en una matriz, podemos hacerlo, ya que handle es sólo un número entero. La razón por la que usamos 15 NNs no tiene nada que ver con el comercio: Cortex Neural Networks Software puede trazar hasta 15 líneas en un gráfico simultáneamente. Podemos utilizar diferentes enfoques para la prueba. En primer lugar, podemos utilizar el conjunto de aprendizaje, todo de una vez. En segundo lugar, podemos probar, por ejemplo, 12000 resordes (de 100000), y caminar a través del conjunto de aprendizaje, desde el principio hasta el final. Esto hará que los conocimientos sean diferentes, ya que buscaremos redes neuronales que sean rentables en cualquier parte de los datos, no sólo en el conjunto. El segundo enfoque puede darnos problemas, si los datos cambian, desde el principio hasta el final. A continuación, la red evolucionará, obteniendo la capacidad de negociar al final del conjunto de datos, y la pérdida de la capacidad de comercio en su inicio. Para resolver ese problema, vamos a tomar 12000 registros aleatorios fragmentos de datos, y lo alimentan a la Red Neural. Es simplemente un ciclo sin fin, ya que 100000 ciclos nunca serán alcanzados a nuestra velocidad. A continuación, agregamos un niño por cada red, con pesos ligeramente diferentes. Tenga en cuenta, que 0,1 para mutación tange no es la única opción, como cuestión de hecho, incluso este parámetro puede ser optimizado mediante el algoritmo genético. Los NNs recién creados se añaden después de los ya existentes. De esta manera tenemos 30 NNs en una matriz, 15 viejos y 15 nuevos. Luego vamos a hacer el siguiente ciclo de pruebas, y matar a los perdedores, de ambas generaciones. Para hacer las pruebas, aplicamos la Red Neural a nuestros datos, para producir salidas, y luego llamar a la función de Prueba, que utiliza estas salidas para simular la negociación. Los resultados de la negociación se utilizan para deside, que NNs son los mejores. Utilizamos un intervalo de registros nLearn, desde nStart hasta nStart nLearn, donde nStart es un punto aleatorio dentro del conjunto de aprendizaje. El siguiente código es un truco. La razón por la que lo usamos es para ilustrar el hecho de que el algoritmo genético puede crear algoritmos genéticos.