استراتيجيات التداول المتطورة مع البرمجة الوراثية - معلمات غب والمشغلين.
البرمجة الجينية في جوهرها يستخدم مجموعة من مشغلي (اختيار، طفرة، كروس، النخبة الخ) والمعلمات (عدد الأجيال، وحجم السكان الخ). كما أن هناك أدبيات واسعة حول هذا الموضوع، وسوف تخطي أساسيات وتفترض أن القارئ هو بالفعل على دراية بالموضوع.
أول شيء لفهم حول المعلمات غب والمشغلين هو أنها تشكل أساسا نظام معقد. قد تؤثر التغييرات في معلمة واحدة أو قد لا تؤثر على الطريقة التي تتصرف بها المعلمات الأخرى. التغييرات الصغيرة في معلمة واحدة قد تؤدي إلى تغييرات غير خطية في كامل النتيجة التطورية. وفي وقت آخر، قد لا يؤدي تغيير كبير في الباراميترز إلى تغيير النتيجة الإجمالية على الإطلاق. ومن الأمثلة الجيدة على ذلك تحديد حجم السكان. المبتدئين يتعرضون حديثا ل غب غالبا ما يعتقدون أن أكبر حجم السكان كلما كان ذلك أفضل. بعد كل شيء، والمزيد من الأفراد في عدد السكان، وكلما زادت فرصة عامة سيتم العثور على نتيجة بحث جيدة، أليس كذلك؟ خاطئة تماما. في كثير من الأحيان، صغيرة (ولكن ليس سو صغير!) حجم السكان هو في الواقع بريفيريبل إلى أكبر. هناك مفاضلة بين وجود المزيد من الأفراد في عدد السكان وزيادة المستوى العام للضوضاء. إن وجود عدد أكبر من الأفراد لكل فرد يقلل من فرصة أن يكون الفرد المنفرد نسبيا قادرا على خلق ذرية. وبالتالي، يتم زيادة مستوى الضوضاء. يتم الإعلان عن بعض أنظمة البرمجيات غب المتاحة تجاريا لتكون قادرة على معالجة ثوسندس من الأفراد في وقت قصير جدا. من تجربتي، إذا كنت بحاجة أكثر من ذلك، دعونا نقول، 500 فرد لكل السكان، وربما كنت تفعل شيئا خاطئا. لذلك، دعونا نلقي نظرة فاحصة على بعض المعلمات والمشغلين.
حجم السكان.
لقد سبق أن ذكرت حجم السكان. حاول أن تبدأ مع عدد قليل من السكان ربما 100 شخص. وهذا أيضا يقلل من الوقت الحوسبة. وكما ذكر أعلاه، فإن زيادة حجم السكان لن تؤدي بالضرورة إلى نتائج أفضل بسبب زيادة مستوى الضوضاء.
عدد الأجيال.
إذا عملت خوارزمية الممارس العام الخاص بك، سوف نلاحظ أنه في المراحل المبكرة من عملية التطور الأفراد المجرب يمكن العثور بسهولة نسبيا، على الرغم من أن في بعض الأحيان قد تمر بضعة أجيال دون أي تحسن قبل حدوث تحسن كبير آخر. بعد عدد من الأجيال، تحدث تحسينات أقل تواترا. حاول البدء مع ربما 10 إلى 15 أجيال فقط. إذا كان هناك سوى تحسن هامشي من الأول إلى الجيل الأخير، ثم ربما كنت تفعل شيئا خاطئا. ومن المفيد أيضا إدخال عداد الأجيال المماطلة ووقف العملية التطورية إذا لوحظ بعد عدد معين من الأجيال أي تحسينات أخرى.
عدد أشجار القرار وحجم الشجرة.
لقد كتبت بالفعل على كيفية ترميز أشجار القرار. مرة أخرى هناك مقايضة. وكلما زادت تعقيد قواعد القرار العامة الخاصة بك سواء فيما يتعلق بعمق الأشجار / حجم وعدد من المقاييس الفرعية المستخدمة، وارتفاع فرصة الإفراط في الحياكة. قواعد القرار أقل تعقيدا هي دائما الأفضل تقريبا، ومع ذلك فإنه من المرجح ربما لا يزال من المنطقي استخدام أشجار القرار مخصصة لقواعد طويلة وقصيرة. وسأركز على موضوع معاقبة التعقيد عن طريق الضغط على العبارة في مادة لاحقة.
خوارزمية البرمجة الوراثية.
على الرغم من أن خوارزمية غب الأساسية بسيطة نسبيا، وهناك بدائل مختلفة لذلك، على سبيل المثال البرمجة الجينية الخطي، البرمجة الجينية الديكارتية، الخوارزمية الجينية غير المهيمنة (نسغا)، خوارزمية القوة باريتو التطورية (سبيا) وغيرها الكثير. اختيار بديل معين غالبا ما يكون له انعكاسات على كيفية ترميز الأفراد، على وظيفة اللياقة البدنية، وأيضا على تنفيذ اختيار، طفرة وعبر المشغلين. تقليديا، يتم استخدام الطفرة، كروس و النخبة مشغل بشكل متبادل حصرا وليس في تركيبة. وهذا هو، يتم اختيار واحد من هذه المشغلين من قبل استراتيجية اختيار المشغل، ويتم تطبيق هذا المشغل فقط. فعلى سبيل المثال، لا يخضع طفلان نسلان أيضا للطفرة، على الرغم من أن ذلك سيكون بطبيعة الحال ممكنا.
مشغل اختيار هو استراتيجية كيفية اختيار واحد أو عدة أفراد من تجمع لغرض معين مثل طفرة أو كروس. هناك العديد من استراتيجيات الاختيار ويعتمد حقا على السياق الذي واحد لاستخدام يفضل. تعتمد كل استراتيجية اختيار على معيار معين لمقارنة الأفراد. في معظم الحالات أفضل (من حيث اللياقة البدنية) فرد مطلوب، ولكن في بعض الأحيان يمكن أن يكون أيضا أسوأ فرد. في حالة وظائف اللياقة البدنية متعددة الأهداف، قد تصبح عملية الاختيار معقدة للغاية. في كثير من الأحيان، يجب اختيار مشغل اختيار اثنين من الأفراد وحتى الآن ضمان عدم اختيار نفس الشخص مرتين. اختيار فقط أفضل الأفراد للاستنساخ ليست حكيمة، لأن هذا يمكن أن يؤدي إلى تقارب سابق لأوانه المحلية بدلا من العالمية الأمثل في الفضاء البحث. ومن الضروري اتباع نهج متوازن يعطي األفراد األفضل فرصة أفضل لالنتقاء من أجل التكاثر مع استمرارهم في اختيار األفراد األضعف. هذا سوف تبقي مزيج بين الضغط على قيد الحياة وترك مجالا للحلول الجديدة لتظهر ويتم استكشافها.
هناك طرق اختيار مختلفة، ولكن ربما استراتيجية الاختيار الأكثر شعبية هو اختيار البطولة. اختيار البطولة هو عملية من خطوتين. أولا، يتم اختيار عدد قليل (على سبيل المثال 7) أفراد بشكل عشوائي - & كوت؛ البطولة & كوت ؛. ثانيا، يتم اختيار شخص أو شخصين من البطولة وفقا لياقتهم البدنية. حجم البطولة الأكبر يعطي الأفراد الأضعف فرصة أقل عموما ليتم اختيارها.
في بعض الأحيان، قد تكون فكرة جيدة السماح ببساطة أفضل واحد أو اثنين من الأفراد في السكان ليتم نسخها إلى الجيل القادم، لأنه بخلاف ذلك قد تضيع. والمشكلة مع النخبوية هي عموما أنه من دون اتخاذ مزيد من التدابير قد يتم ملء الأجيال اللاحقة مع العديد من نسخ من الأفراد متطابقة. غير أن مقارنة الأفراد من أجل المساواة قد تكون عملية مكلفة حسابيا. أنا شخصيا أفضل عدم استخدام النخبوية لهذا السبب.
يجب أن يحدث الطفرة فقط مع احتمال ضعيف، على سبيل المثال. في 0٪ - 2٪ من الحالات. بعض تطبيقات غب تختلف احتمال الطفرات خلال عملية التطور. بالنسبة لإصدارات مختلفة من الطفرة (على سبيل المثال طفرة نقطة أو طفرة الشجرة الفرعية)، استشارة واحدة من العديد من مصادر الأدب حول هذا الموضوع. كن على علم بأن الطفرة يجب أن تتوافق مع كتابة العقد في شجرة القرارات.
كروسوفر هو المشغل غب مع أعلى احتمال (على سبيل المثال 80٪ - 100٪) لكونها اختيار لإنتاج ذرية. باستخدام العقد المكتوبة يضمن أن يتم إنشاء ذرية صالحة وذات مغزى فقط من قبل المشغل كروس. وتتمثل إحدى المشاكل في أنه خلال العملية التطورية، يميل هذا المشغل إلى زيادة متوسط حجم أشجار القرار، وبالتالي يؤدي إلى سخام الشفرات. في كثير من الأحيان، والأصلح الأفراد هم في الواقع الإفراط في سلسلة زمنية التاريخية. هم أيضا هم الذين لديهم أكبر قواعد القرار. يختارها مشغل الاختيار بأعلى احتمال، وبالتالي ينتج المشغل كروس في وقت لاحق ذرية زيادة حجم شجرة القرار. إن المقياس المضاد المناسب هو الضغط على العبارة، الذي سأكتب عنه في وظيفة لاحقة.
مشكلة تطور الأفراد المتشابهين هيكليا.
والمشكلة الشائعة هي أن العملية التطورية غالبا ما يكون لديها ميل إلى تطوير العديد من استراتيجيات التداول متطابقة تقريبا على مر الزمن. يتم ملء السكان مع عدد قليل & كوت؛ الأنواع الأساسية & كوت؛ من الأفراد التي هي مشابهة جدا هيكليا لبعضها البعض، وبالتالي لها قيم اللياقة البدنية مماثلة جدا. للحصول على الصورة، تخيل استراتيجية التداول نفسها لأفراد متعددة ولكن كل واحد له تغيير طفيف جدا في معلمة واحدة فقط. وهناك أسباب مختلفة وراء حدوث هذه الظاهرة. واحد هو أن تطور اللياقة البدنية للسكان أفضل فرد هو متقطع. إذا كان هناك & كوت؛ قفزة & كوت؛ في أفضل لياقة بدنية من جيل إلى آخر، وهناك احتمالات عالية أن أفضل فرد سيبقى للأصلح للأجيال القليلة القادمة - حتى يحدث مثل هذه القفزة. وهذا صحيح أيضا بالنسبة للثاني والثالث أفضل الأفراد في السكان. لذلك، لعدة أجيال على التوالي فإن الأصلح قليل من الأفراد لديهم أعلى فرص لخلق ذرية، وبطبيعة الحال فإن ذرية ستكون مشابهة هيكليا لأولياء أمورها. ونتيجة لذلك، فإن المزيد والمزيد من الأفراد المتشابهين هيكليا سوف تملأ المواقف الأولى في السكان وبالتالي الحد بشكل فعال من التنوع الجيني في جميع السكان.
غالبا ما يكون من الصعب جدا إيجاد حل مرض لهذه المشكلة. أحد الاحتمالات هو الحفاظ على المعلمة طفرة على مستوى عال. وثمة حل آخر هو إدخال معلمات غب التكيفية، على سبيل المثال تختلف الطفرة و / أو احتمالات كروس خلال عملية التطور. أو إجراء تغييرات ديناميكية على مشغلي التحديد. لسوء الحظ، هذه البدائل غالبا ما تكون غير فعالة جدا ويمكن أن تكون صعبة جدا لتنفيذ أو معايرة بشكل صحيح. الحل المكلف حسابيا جدا هو مقارنة استراتيجيات التداول لكل جيل وعدم السماح للسكان لاحتواء الأفراد متساوية هيكليا. وهذا يتطلب مقارنة كل فرد مع بعضهم البعض عند بناء سكان الجيل القادم، مما سيؤدي إلى إبطاء عملية التطور إلى حد كبير.
ومن المثير للاهتمام، من تجربتي هذه المشكلة هو انخفاض كبير عند التحول من هدف واحد إلى قوية متعددة الوظائف وظيفة اللياقة البدنية / عملية تطورية مثل خوارزمية الفرز غير المهيمنة الفرز (نسغا) وخوارزميات قوة باريتو التطورية (سبيا) . هذه الخوارزميات على حد سواء تعريف بطبيعتها نهجا مختلفا في اختيار الأفراد من أجل التكاثر، مما يقلل من التنوع المطلوب في بول الجينات أقل بكثير من وظائف اللياقة البدنية موضوع واحد. سوف أكتب أكثر على هذين الخوارزميات في مقال لاحق.
إنشاء استراتيجيات التداول القائمة على التغيير على أساس البرمجة الجينية.
جيريمي جيبتيو فرناندو E. B. أوتيرو مايكل كامبوريديس مؤلف البريد الإلكتروني.
وتستخدم غالبية أدوات التنبؤ مقياسا زمنيا بدراسة دراسة تقلبات األسعار في األسواق المالية، مما يجعل تدفق الوقت الفعلي غير متقطع. ولذلك، فإن استخدام مقياس زمني فعلي قد يعرض الشركات للمخاطر، بسبب جهل بعض الأنشطة الهامة. في هذه الورقة، يتم استكشاف نهج بديل ورواية لالتقاط الأنشطة الهامة في السوق. والفكرة الرئيسية هي استخدام مقياس زمني جوهري يستند إلى التغييرات الاتجاهية. جنبا إلى جنب مع البرمجة الوراثية، ويهدف النهج المقترح لإيجاد استراتيجية التداول الأمثل للتنبؤ بتحركات الأسعار في السوق المالية في المستقبل. من أجل تقييم كفاءتها ومتانة كأداة التنبؤ، تم إجراء سلسلة من التجارب، حيث كنا قادرين على الحصول على معلومات قيمة عن أداء التنبؤ. وتشير نتائج التجارب إلى أن هذا الإطار الجديد قادر على توليد استراتيجيات تجارية جديدة ومربحة.
المراجع.
معلومات حقوق التأليف والنشر.
المؤلفين والانتماءات.
جيريمي جيبتيو 1 فرناندو E. B. أوتيرو 1 مايكل كامبوريديس 1 كاتب البريد الإلكتروني 1. مدرسة الحاسبات جامعة كينت كانتربري المملكة المتحدة.
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 2018 إلى 2018.
البرمجة الوراثية.
البرمجة الوراثية 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 الأشجار 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 ذلك كان مصدر قلق لا أساس له من الصحة حيث أن تطبيقنا يمكن أن يعالج بسهولة جميع الأسهم ال 500 على 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 من محبي) أيضا عيوبها التي قد (أو قد لا) التغلب عليها البرمجة الجينية.
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 نشرت كل يوم.
نمركل هو صندوق التحوط الكمي أنا جزء من. نحن نستخدم آلة التعلم في محاولة للفوز على السوق.