Usando Algoritmos Genéticos para Previsão de Mercados Financeiros, Burton sugeriu em seu livro, Random Walk Down Wall Street, (1973) que, um macaco com os olhos vendados jogando dardos em páginas financeiras de jornais poderia selecionar um portfólio que faria tão bem quanto um selecionado cuidadosamente por Especialistas. Embora a evolução tenha tornado o homem mais inteligente na escolha de estoques, a teoria de Charles Darwins tem bastante eficaz quando aplicada de forma mais direta. (Para ajudá-lo a escolher ações, verifique como escolher um estoque.) Quais são os algoritmos genéticos Os algoritmos genéticos (GAs) são métodos de resolução de problemas (ou heurísticas) que imitam o processo de evolução natural. Ao contrário das redes neurais artificiais (RNAs), projetadas para funcionar como neurônios no cérebro, esses algoritmos utilizam os conceitos de seleção natural para determinar a melhor solução para um problema. Como resultado, os GAs são comumente usados como otimizadores que ajustam parâmetros para minimizar ou maximizar alguma medida de feedback, que pode então ser usada de forma independente ou na construção de uma ANN. Nos mercados financeiros. Os algoritmos genéticos são mais comumente usados para encontrar os melhores valores de combinação de parâmetros em uma regra de negociação, e eles podem ser incorporados em modelos ANN projetados para escolher ações e identificar negócios. Vários estudos demonstraram que esses métodos podem se tornar efetivos, incluindo Algoritmos Genéticos: Gênesis de Avaliação de Estoque (2004) de Rama e As Aplicações de Algoritmos Genéticos em Otimização de Mineração de Dados de Mercado de Valores (2004) por Lin, Cao, Wang, Zhang. (Para saber mais sobre ANN, veja Redes Neurais: Previsão de Lucros.) Como funcionam os Algoritmos Genéticos Os algoritmos genéticos são criados matematicamente usando vetores, que são quantidades que têm direção e magnitude. Os parâmetros para cada regra de negociação são representados com um vetor unidimensional que pode ser pensado como um cromossomo em termos genéticos. Enquanto isso, os valores utilizados em cada parâmetro podem ser pensados como genes, que são então modificados usando a seleção natural. Por exemplo, uma regra de negociação pode envolver o uso de parâmetros como Moving Average Convergence-Divergence (MACD). Média móvel exponencial (EMA) e estocástica. Um algoritmo genético então entraria valores nesses parâmetros com o objetivo de maximizar o lucro líquido. Ao longo do tempo, pequenas mudanças são introduzidas e aqueles que fazem um desejável impacto são mantidos para a próxima geração. Existem três tipos de operações genéticas que podem ser realizadas: os cruzamentos representam a reprodução e o cruzamento biológico visto na biologia, pelo qual uma criança assume certas características de seus pais. As mutações representam a mutação biológica e são usadas para manter a diversidade genética de uma geração de uma população para outra, introduzindo pequenas mudanças aleatórias. As seleções são o estágio em que os genomas individuais são escolhidos de uma população para reprodução posterior (recombinação ou crossover). Esses três operadores são então usados em um processo de cinco etapas: Inicialize uma população aleatória, onde cada cromossomo é n-comprimento, sendo n o número de parâmetros. Ou seja, um número aleatório de parâmetros são estabelecidos com n elementos cada. Selecione os cromossomos, ou parâmetros, que aumentam os resultados desejáveis (presumivelmente lucro líquido). Aplicar operadores de mutação ou crossover aos pais selecionados e gerar uma prole. Recombine a prole e a população atual para formar uma nova população com o operador de seleção. Repita as etapas duas a quatro. Ao longo do tempo, esse processo resultará em cromossomos (ou, parâmetros) cada vez mais favoráveis para uso em uma regra comercial. O processo é encerrado quando um critério de parada é cumprido, o que pode incluir tempo de execução, aptidão, número de gerações ou outros critérios. (Para mais informações sobre MACD, leia Trading The MACD Divergence.) Usando Algoritmos Genéticos na Negociação Enquanto os algoritmos genéticos são usados principalmente por comerciantes quantitativos institucionais. Os comerciantes individuais podem aproveitar o poder dos algoritmos genéticos - sem diploma em matemática avançada - usando vários pacotes de software no mercado. Essas soluções variam de pacotes de software independentes voltados para os mercados financeiros para complementos do Microsoft Excel que podem facilitar análises práticas. Ao usar essas aplicações, os comerciantes podem definir um conjunto de parâmetros que são então otimizados usando um algoritmo genético e um conjunto de dados históricos. Algumas aplicações podem otimizar quais parâmetros são usados e os valores para eles, enquanto outros são focados principalmente em simplesmente otimizar os valores de um determinado conjunto de parâmetros. (Para saber mais sobre essas estratégias derivadas do programa, consulte O Power Of Program Trades.) Sugestões e truques de otimização importantes O encaixe de curva (sobre montagem), projetando um sistema de negociação em torno de dados históricos, em vez de identificar comportamentos repetitivos, representa um risco potencial para os comerciantes usando algorítmos genéticos. Qualquer sistema de negociação que utilize GAs deve ser testado no papel antes do uso ao vivo. A escolha de parâmetros é uma parte importante do processo, e os comerciantes devem procurar parâmetros que se correlacionem com as mudanças no preço de uma determinada segurança. Por exemplo, experimente diferentes indicadores e veja se algum parece se correlacionar com as principais voltas do mercado. The Bottom Line Os algoritmos genéticos são formas únicas de resolver problemas complexos ao aproveitar o poder da natureza. Ao aplicar esses métodos para prever os preços dos títulos, os comerciantes podem otimizar as regras de negociação, identificando os melhores valores a serem usados para cada parâmetro para uma determinada segurança. No entanto, esses algoritmos não são o Santo Graal, e os comerciantes devem ter o cuidado de escolher os parâmetros certos e não ajustar a curva (em excesso). (Para ler mais sobre o mercado, confira Listen To The Market, Not It Pundits.) Há uma grande quantidade de literatura sobre o sucesso da aplicação de algoritmos evolutivos em geral, e o algoritmo genético em particular, para os mercados financeiros . No entanto, sinto-me desconfortável sempre que lendo esta literatura. Os algoritmos genéticos podem sobrepor os dados existentes. Com tantas combinações, é fácil elaborar algumas regras que funcionam. Pode não ser robusto e não tem uma explicação consistente de por que essa regra funciona e essas regras não estão além do mero argumento (circular) que funciona porque o teste mostra que funciona. Qual é o consenso atual sobre a aplicação do algoritmo genético nas finanças perguntou 18 de fevereiro às 9:00 horas. Eu trabalhei em um fundo de hedge que permitiu as estratégias derivadas do GA. Por segurança, exigiu que todos os modelos fossem submetidos muito antes da produção para garantir que eles ainda trabalhavam nos backtests. Portanto, pode haver um atraso de até vários meses antes de um modelo ser permitido executar. Também é útil separar o universo de amostras usando uma metade aleatória dos estoques possíveis para a análise GA e a outra metade para confirmações de confirmação. Isso é um processo diferente do que você usaria antes de confiar em qualquer outra estratégia de negociação (se assim for, não é claro para mim o que você ganha de fazer um modelo de GA usando dados para o tempo t, depois testar até TN antes de confiar, versus usar dados Ao tempo tN, testando de tN para t, e usá-lo imediatamente.) Ndash Darren Cook 23 de novembro 11 às 2:08 DarrenCook um problema que eu vejo é que se você testar de tN para t e achar que ele não funciona bem, então você está indo Para criar outro modelo que seja testado nesse mesmo período de tempo tn to t (ad infinitum). Isso introduz a probabilidade de quotmetaquot-overfitting durante o processo de criação do modelo. Ndash Chan-Ho Suh Jul 22 15 às 5:24 No que diz respeito ao snooping de dados, se um GA é implementado corretamente, isso não deve ser uma preocupação. As funções de mutação são especificamente incluídas para pesquisar aleatoriamente o espaço do problema e evitar o snooping dos dados. Dito isto, encontrar os níveis de mutação corretos pode ser algo de arte e se os níveis de mutação são muito baixos, então é como se a função não fosse implementada em primeiro lugar. Ndash BioinformáticaGal 6 de abril 11 às 16:28 BoinformaticsGal Eu não entendo como a inclusão de funções de mutação nos permite evitar o snooping de dados. Após a pesquisa, há uma função de fitness que faz cada geração 39fit39 os dados cada vez mais. Ou eu não estou entendendo você corretamente ndash Vishal Belsare 15 de setembro 11 às 18:05 Há muitas pessoas aqui falando sobre como as AGs são empíricas, não têm bases teóricas, são caixas pretas e coisas do gênero. Eu imploro diferir Theres todo um ramo de economia dedicado a olhar para os mercados em termos de metáforas evolutivas: Economia evolutiva Eu recomendo o livro Dopfer, The Evolutionary Foundations of Economics, como uma introdução. Cambridge. orggbknowledgeisbnitem1158033sitelocaleenGB Se a sua visão filosófica é que o mercado é basicamente um casino gigante, ou um jogo, então um GA é simplesmente uma caixa preta e não tem nenhuma base teórica. No entanto, se sua filosofia é que o mercado é uma ecologia de sobrevivência, os GAs têm muitos fundamentos teóricos e é perfeitamente razoável discutir coisas como especiação corporativa, ecologias de mercado, genomas de portfólio, climas de negociação e gostar. Respondeu 5 de abril às 15:42 Em escalas de tempo curto é mais um cassino. Como a natureza, na verdade. Ndash quantdev 11 de abril 11 às 20:46 quantdev, o problema com isso é que GA - como qualquer outro método quantitativo - só funciona com escala de tempo curto, se eu não estou enganado. Então, se o mercado de ações é mais como um mercado de ações, a GA seria completamente inútil. Ndash Graviton Apr 6 11 at 8:56 Graviton. Não há nenhuma razão inerente pela qual um não poderia programar um GA para fazer análises em intervalos de tempo mais longos. O domínio do tempo de um GA é medido em gerações, não em anos ou dias. Assim, simplesmente seria necessário definir uma população contendo indivíduos cujas gerações são anos ou décadas (ou seja, empresas). Definitivamente houve algum trabalho que aborda a definição de processos corporativos 39. Em tal modelo, seria otimizado para um modelo empresarial eficiente, dado um clima de mercado particular. No entanto, não é um modelo de portfólio de preço de ações. Ndash BioinformaticsGal 6 de abril 11 às 15:12 Supondo que você evite o viés de espionagem de dados e todas as possíveis armadilhas de usar o passado para prever o futuro, confiar em algoritmos genéticos para encontrar a solução certa quase se resume à mesma aposta que você faz quando você Gerenciar ativamente um portfólio, seja de forma quantitativa ou discricionária. Se você acredita na eficiência do mercado, o aumento dos custos de transação da gestão ativa é ilógico. Se, no entanto, você acredita que existem padrões ou falhas psicológicas estruturais para serem exploradas e a recompensa vale o tempo e o dinheiro para pesquisar e implementar uma estratégia, a escolha lógica é o gerenciamento ativo. A execução de uma estratégia derivada da GA é uma aposta implícita contra a eficiência do mercado. Você está basicamente dizendo que acho que existem algumas avaliações erradas que ocorrem por algum motivo (massas de pessoas irracionais, fundos mútuos reunidos por incentivos mal alinhados, etc.) e a execução deste GA pode classificar essa massa de dados de maneira mais rápida do que eu posso . Respondeu 18 de fevereiro às 15:49 gerenciar manualmente um portfólio ativo envolve o uso de toda a informação que temos e derivar uma conclusão lógica sobre o mercado e, em seguida, executar estratégias sobre isso, esta é uma atividade racional. OTOH, usando o GA, está usando uma ferramenta de caixa preta, não podemos explicar o resultado derivado de qualquer princípio aceito. Não tenho muita certeza se estes dois são realmente os mesmos. Ndash Graviton Feb 18 11 at 15:57 Graviton Sim, mas considere as semelhanças entre GA39s e como nós humanos aprendemos sobre os mercados, desenvolvemos estratégias, aprendemos com os erros e nos adaptamos às mudanças nas condições do mercado. Quando você pesquisa o que as ações vencedoras e perdidas têm em comum, ou que padrões de volume e preço criam boas negociações, ou qual modelo é o mais preciso para avaliar os derivados, o que você está fazendo é extrair os dados do passado de uma maneira. Quando as condições do mercado o alteram, troque novas estratégias ou acabe por sair do mercado. Se houver bordas exploráveis no mercado, a única diferença entre você e um GA é ndash Joshua Chance Feb 18 11 às 16:46 Graviton (em um sentido muito amplo) é que você tem uma narrativa, uma história para seguir sua estratégia . Nós, seres humanos, corremos o risco de encontrar um padrão aparentemente recorrente e racionalizá-lo e criar uma narrativa. Os riscos de GA39 são os mesmos, apenas o modelo potencialmente falso não usa palavras, eles usam matemática e lógica. Ndash Joshua Chance Feb 18 11 às 16:54 O falecido Thomas Cover. (Provavelmente o principal teórico da informação de sua geração), considerou abordagens universais para coisas como compressão de dados e alocações de portfólio como verdadeiros algoritmos genéticos. A evolução não tem parâmetros para ajustar ou treinar. Por que os verdadeiros algoritmos genéticos abordagens universais não fazem suposições sobre a distribuição subjacente dos dados. Eles não fazem nenhuma tentativa de prever o futuro de padrões ou qualquer outra coisa. A eficácia teórica das abordagens universais (apresentam desafios significativos de implementação, ver minha recente pergunta: Geometria para Portfolios Universais) seguem deles fazendo o que a evolução exige. O mais rápido, o mais inteligente ou o mais forte não sobrevive na próxima geração. A evolução favorece esse gene, organismo, meme, portfólio ou algoritmo de compactação de dados posicionado para adaptar-se mais facilmente ao que ocorrer a seguir. Além disso, porque essas abordagens não fazem suposições e operam de forma não paramétrica, pode-se considerar todos os testes, mesmo em todos os dados históricos, como fora da amostra. Certamente eles têm limitações. Certamente, eles não podem trabalhar para cada tipo de problema que enfrentamos em nosso domínio, mas sim, que maneira interessante de pensar sobre as coisas. Respondeu 14 de julho 13 às 15:42 Bem, o objetivo de um algoritmo genético é encontrar a melhor solução sem passar por todos os cenários possíveis porque seria muito longo. Então, é claro que é um ajuste de curva, esse é o objetivo. Respondeu 6 de março às 20:40 Mas há uma diferença significativa entre superar a amostra (ruim) e ajustar a população (bom). É por isso que muitos sugerem que você valida a cruzar seu algoritmo com testes fora da amostra. Ndash Joshua 17 de julho 13 às 2:34 Sua resposta 2017 Stack Exchange, IncSnowCron Algoritmo Genético em Sistemas de Negociação FOREX Usando o Algoritmo Genético para criar Estratégia de Negociação FOREX lucrativa. Algoritmo Genético no Sistema de Redes Neurais do Cortex Feedforward Backpropagation Neural Network Aplicação para computação baseada em cálculos baseados em Forex. Este exemplo usa conceitos e ideias do artigo anterior, então leia Algoritmo Genético de Rede Neural em Sistemas de Negociação FOREX primeiro, embora não seja obrigatório. Sobre este texto Antes de tudo, leia o aviso legal. Este é um exemplo de usar a funcionalidade do algoritmo de algoritmo de algoritmo de redes neurônicas do Cortex, não um exemplo de como fazer negócios rentáveis. Eu não sou seu guru, nem eu devo ser responsável por suas perdas. O software Cortex Neural Networks tem redes neurais nele, e a FFBP que discutimos antes é apenas uma maneira de escolher estratégias de negociação forex. É uma boa técnica, poderosa e quando aplicada corretamente, muito promissora. No entanto, tem um problema - para ensinar a Rede Neural. Precisamos saber o resultado desejado. É bastante fácil de fazer quando fazemos a aproximação de função, nós apenas tomamos o valor real de uma função, porque sabemos o que deveria ser. Quando fazemos a previsão da rede neural. Nós usamos a técnica (descrita em artigos anteriores) de ensinar a Rede Neural na história, novamente, se prevermos, digamos, uma taxa de câmbio, sabemos (durante a formação) qual é a previsão correta. No entanto, quando estamos construindo um sistema de comércio, não temos idéia do que é a decisão de negociação correta, mesmo que conheçamos a taxa de câmbio. Como fato, temos muitas estratégias de negociação forex que podemos usar em qualquer ponto do tempo e Nós precisamos encontrar um bom - como o que devemos alimentar como o resultado desejado da nossa Rede Neural Se você seguiu o nosso artigo anterior, você sabe, que nos enganamos para lidar com esse problema. Nós ensinamos a Rede Neural a fazer uma previsão de taxa de câmbio (ou índice de taxa de câmbio), e então usamos essa previsão para fazer negociação. Então, fora da parte da rede Neural do programa, tomamos uma decisão sobre a qual a Rede Neural é a melhor. Os algoritmos genéticos podem lidar diretamente com este problema, eles podem resolver o problema declarado como encontrar os melhores sinais comerciais. Neste artigo, vamos usar o software Cortex Neural Networks para criar esse programa. Usando Algoritmos Genéticos Algoritmos Genéticos estão muito bem desenvolvidos e muito diversos. Se você quiser aprender tudo sobre eles, sugiro que você use a Wikipedia, pois este artigo é apenas sobre o que o Cortex Neural Networks Software pode fazer. Com o software Cortex Neural Networks. Podemos criar uma Rede Neural que leve alguns dados, digamos, valores de um indicador e produz algum resultado, digamos, sinais de negociação (comprar, vender, manter.) E parar a perda, obter níveis de lucro para posições a serem abertas. Claro, se semearmos os pesos desta Rede Neural ao acaso, os resultados comerciais serão terríveis. No entanto, dizemos que criamos uma dúzia de tais NNs. Então podemos testar o desempenho de cada um deles, e escolher o melhor, o vencedor. Esta foi a primeira geração de NNs. Para continuar a segunda geração, precisamos permitir que o nosso vencedor procria, mas para evitar a obtenção de cópias idênticas, vamos adicionar alguns números aleatórios aos pesos das suas descendentes. Na segunda geração, temos o nosso vencedor da primeira geração e as cópias imperfeitas (mutadas). Vamos fazer testes novamente. Teremos outro vencedor, o que é MELHOR e qualquer outra Rede Neural na geração. E assim por diante. Simplesmente permitimos que os vencedores criem e eliminem os perdedores, assim como na evolução da vida real, e obteremos nossa Rede Neural de melhor negociação. Sem qualquer conhecimento prévio sobre o que o sistema de negociação (algoritmo genético) deveria ser. Algoritmo Genético da Rede Neural: Exemplo 0 Este é o primeiro exemplo do algoritmo genético. E muito simples. Nós vamos passar por ele passo a passo, para aprender todos os truques que os exemplos a seguir usarão. O código tem comentários em linha, então vamos apenas nos concentrar nos momentos-chave. Primeiro, criamos uma rede neural. É usar pesos aleatórios, e ainda não foi ensinado. Então, no ciclo, fazemos 14 cópias dele, usando a fumagem MUTATIONNN. Esta função faz uma cópia de uma rede Neural de origem. Adicionando valores aleatórios de 0 para (no nosso caso) 0,1 para todos os pesos. Mantivemos alças para 15 NN resultantes em uma matriz, podemos fazê-lo, pois o identificador é apenas um número inteiro. A razão pela qual usamos 15 NNs não tem nada a ver com a negociação: o software Cortex Neural Networks pode traçar até 15 linhas em um gráfico simultaneamente. Podemos usar diferentes abordagens para o teste. Primeiro, podemos usar o conjunto de aprendizagem, tudo de uma vez. Em segundo lugar, podemos testar, digamos, 12000 resores (de 100000), e caminhar pelo conjunto de aprendizagem, do começo ao fim. Isso tornará o know-how diferente, pois buscaremos redes de redes neuronais que sejam rentáveis em qualquer parte de dados, e não apenas em todo o conjunto. A segunda abordagem pode nos dar problemas, se a mudança de dados, desde o início até o fim. Em seguida, a rede evoluirá, obtendo a capacidade de troca no final do conjunto de dados e perdendo a capacidade de trocar no seu início. Para resolver esse problema, iremos levar aleatoriamente 12000 fragmentos de registros de dados e alimentá-lo para a Rede Neural. É simplesmente um ciclo sem fim, já que 100000 ciclos nunca serão alcançados em nossa velocidade. Abaixo, adicionamos uma criança para cada rede, com pesos ligeiramente diferentes. Note-se que 0,1 para o tange de mutação não é a única escolha, como fato de fato, mesmo este parâmetro pode ser otimizado usando o algoritmo genético. Os NNs recém-criados são adicionados após 15 existentes. Desta forma, temos 30 NNs em uma matriz, 15 antigos e 15 novos. Então, vamos fazer o próximo ciclo de testes e matar perdedores, de ambas as gerações. Para fazer testes, aplicamos a Rede Neural aos nossos dados, para produzir saídas, e depois chamar a função Test, que usa essas saídas para simular a negociação. Os resultados da negociação são usados para desidir, quais NNs são melhores. Usamos um intervalo de registros nLearn, de nStart para nStart nLearn, onde nStart é um ponto aleatório dentro do conjunto de aprendizado. O código abaixo é um truque. A razão pela qual usamos é ilustrar o fato de que o algoritmo genético pode criar algoritmos genéticos. Mas não será necessariamente o melhor, e também, para sugerir, que podemos melhorar o resultado, se implicarmos algumas limitações ao processo de aprendizagem. É possível que nosso sistema comercial funcione muito bem em negócios longos, e muito pobre em curto, ou vice-versa. Se, digamos, os negócios longos são muito bons, esse algoritmo genético pode ganhar, mesmo com grandes perdas em transações curtas. Para evitá-lo, atribuímos mais peso a negócios longos em trocas ímpares e curtas em ciclos pares. Este é apenas um exemplo, não há garantia, que irá melhorar alguma coisa. Mais sobre isso abaixo, em discussão sobre correções. Tecnicamente, você não precisa fazê-lo, ou pode fazê-lo de forma diferente. Adicione lucro a uma matriz ordenada. Ele retorna uma posição de inserção, então usamos essa posição para adicionar identificadores de rede Neural, aprendendo e testando lucros para arrays não classificados. Agora, temos dados para a Rede Neural atual no mesmo índice de matrizes que seu lucro. A idéia é chegar a uma série de NNs, ordenados por rentabilidade. Como a matriz é classificada por lucro, para remover 12 redes, que são menos rentáveis, precisamos apenas remover NNs 0 a 14 As decisões de negociação são baseadas no valor do sinal da Rede Neural, a partir deste ponto de vista o programa é idêntico aos exemplos de Artigo anterior. Estratégia de negociação FOREX: exemplo de discussão 0 Em primeiro lugar, vamos examinar os gráficos. O primeiro gráfico de lucro durante a primeira iteração não é bom, como seria de esperar, a rede neural perde dinheiro (imagem evolution00gen0.png copiado após a primeira iteração da pasta de imagens): a imagem com lucro no ciclo 15 é melhor, às vezes , O algoritmo genético pode aprender muito rápido: no entanto, observe a saturação em uma curva de lucro. É interessante também olhar para a forma como os lucros individuais mudam, tendo em mente, esse número de curva, digamos, 3 nem sempre é para a mesma Rede Neural. Na medida em que eles estão nascendo e terminaram o tempo todo: note também que o pequeno sistema de negociação automatizado forex é pobre em negócios curtos e muito melhor em longos, o que pode ou não estar relacionado ao fato de que o dólar estava caindo em comparação com Euro durante esse período. Também pode ter algo a ver com os parâmetros do nosso indicador (talvez, precisamos de um período diferente para calções) ou a escolha de indicadores. Aqui está o histórico após 92 e 248 ciclos: para nossa surpresa, o algoritmo genético falhou completamente. Procuremos descobrir o porquê, e como ajudar a situação. Em primeiro lugar, cada geração não deve ser melhor do que a anterior. A resposta é não, pelo menos não dentro do modelo que usamos. Se tomarmos TODAS as aprendizagens definidas de uma só vez, e usamos repetidamente para ensinar nossos NNs, então sim, eles melhorarão em cada geração. Mas, em vez disso, tomamos fragmentos aleatórios (12000 registros no tempo) e os usamos. Duas perguntas: por que o sistema falhou em fragmentos aleatórios de conjunto de aprendizado e por que não usamos todo o conjunto de aprendizado bem. Para responder a segunda pergunta, eu fiz. NNs funcionou muito - no aprendizado definido. E eles falharam no conjunto de testes, pelo mesmo motivo que falha quando usamos o aprendizado da FFPB. Para dizer de maneira diferente, nossos NNs se especializaram demais, eles aprenderam a sobreviver no ambiente ao qual eles estão acostumados, mas não fora dele. Isso acontece muito na natureza. A abordagem que tomamos em vez disso foi destinada a compensar isso, ao obrigar NNs a se comportar bem em qualquer fragmento aleatório do conjunto de dados, de modo que, com sorte, eles também poderiam realizar em um conjunto de testes desconhecido. Em vez disso, eles falharam tanto no teste quanto no conjunto de aprendizado. Imagine animais, vivendo em um deserto. Muito sol, sem neve. Este é um mercado metafor para rizing, pois os nossos dados NNs desempenham o papel de meio ambiente. Os animais aprenderam a viver em um deserto. Imagine animais, que vivem em clima frio. Neve e sem sol. Bem, eles se ajustaram. No entanto, em nosso experimento, colocamos aleatoriamente nossos NNs em um deserto, na neve, na água, nas árvores. Apresentando-lhes diferentes fragmentos de dados (aumentando aleatoriamente, caindo, plana). Os animais morreram. Ou, de modo diferente, selecionamos a melhor rede neural para o conjunto de dados aleatórios 1, que, digamos, era para o mercado crescente. Em seguida, apresentamos, aos vencedores e seus filhos, uma queda dos dados dos mercados. NNs apresentaram um mau desempenho, nós melhoramos os melhores artistas, talvez, uma das crianças mutantes, que perdemos a capacidade de negociar no mercado em expansão, mas conseguiu uma certa capacidade de lidar com a queda de um. Então, voltamos a mesa novamente e, novamente, conseguimos o melhor desempenho - mas melhor entre os mais pobres. Nós simplesmente não damos a nossos NNs chances de se tornarem universais. Existem técnicas que permitem ao algoritmo genético aprender novas informações sem perder o desempenho em informações antigas (afinal, os animais podem viver no verão e no inverno, certo, então a evolução é capaz de lidar com mudanças repetitivas). Podemos discutir essas técnicas mais tarde, embora este artigo seja mais sobre o uso do software Cortex Neural Networks. Do que sobre a construção de um sistema de negociação automatizado forex bem sucedido. Algoritmo Genético da Rede Neural: Exemplo 1 Agora é hora de falar sobre correções. Um algoritmo genético simples que criamos durante o passo anterior tem duas falhas principais. Primeiro, não conseguiu negociar com lucro. Está tudo bem, podemos tentar usar sistema parcialmente treinado (foi lucrativo no início). A segunda falha é mais séria: não temos controle sobre as coisas, que esse sistema faz. Por exemplo, pode aprender a ser lucrativo, mas com grandes remessas. É um fato bem conhecido, que na vida real, a evolução pode otimizar mais de um parâmetro simultaneamente. Por exemplo, podemos obter um animal, que pode correr rápido E ser resistente ao frio. Por que não tentar fazer o mesmo no nosso sistema de negociação automatizado forex. Isso é quando usamos correções, que são apenas o conjunto de punições adicionais. Digamos, nosso sistema é negociado com drawdown 0.5, enquanto queremos confirmá-lo para 0 a 0.3 intervalo. Para dizer ao sistema que cometeu um erro, diminuímos o lucro (um usado para determinar, qual algoritmo genético ganhou) até o grau, que é proporcional ao tamanho do DD. Então, o algoritmo de evolução cuida do resto. Existem alguns outros fatores, que queremos levar em consideração: talvez queiramos ter um número maior ou menor de operações de compra e venda, queremos ter mais operações lucrativas, então de falhas, podemos querer que o gráfico de lucro Ser linear e assim por diante. Na evolution01.tsc implementamos um conjunto simples de correções. Em primeiro lugar, usamos um número grande para um valor de correção inicial. Nós o multiplicamos para um pequeno (geralmente, entre 0 e 1) valores, dependendo da punição que queremos aplicar. Então, multiplicamos nosso lucro por esta correção. Como resultado, o lucro é corrigido, para refletir o quanto o algoritmo genético corresponde aos nossos outros critérios. Então usamos o resultado para encontrar uma Rede Neural de vencedores. FOREX Estratégia de Negociação: Discutir o exemplo 1 O exemplo 1 funciona muito melhor do que o exemplo 0. Durante os primeiros 100 ciclos, ele aprendeu muito, e os gráficos de lucro parecem tranquilizadores. No entanto, como no exemplo 0, os negócios longos são muito mais rentáveis, o que provavelmente significa que existe um problema na nossa abordagem. No entanto, o sistema encontrou um equilíbrio entre algumas das condições iniciais contraditórias: há algumas dinâmicas positivas tanto no conjunto de aprendizado como, mais importante, no conjunto de testes. Quanto ao aprendizado adicional, no ciclo 278 podemos ver, que nosso sistema foi superado. Isso significa que ainda temos progresso no aprendizado definido: Mas o conjunto de testes mostra fraqueza: Este é um problema comum com os NNs: quando o ensinamos no aprendizado definido, ele aprende a lidar com isso e, às vezes, ele aprende muito bem - ao Grau, quando perde o desempenho no conjunto de testes. Para lidar com esse problema, uma solução tradicional é usada: continuamos procurando a Rede Neural. Que executa o melhor no conjunto de testes, e salve-o, sobrescreva o melhor possível, cada vez que o novo pico é alcançado. Esta é a mesma abordagem, que usamos no treinamento FFBP, exceto, desta vez, temos que fazê-lo nós mesmos (adicionando código, que procura uma melhor Rede Neural em um conjunto de testes, e chamando a SAVENN, ou exportando pesos da Rede Neural para um Arquivo). Desta forma, quando você parar seu treinamento, você terá o melhor desempenho ON TESTING SET salvo e esperando por você. Observe também que não é o máximo. Lucro que você está procurando, mas ótimo desempenho, então considere usar correções, ao procurar o melhor desempenho em um conjunto de testes. Algoritmo genético para Análise Técnica do FOREX: Onde agora Depois de ter obtido a sua Rede Neural de vencedores. Você pode seguir as etapas, descritas no artigo anterior, para exportar pesos daquela Rede Neural. E então usá-los em sua plataforma de negociação em tempo real, como Meta Trader, Trade Station e assim por diante. Alternativamente, você pode se concentrar em outras formas de otimizar a Rede Neural. Ao contrário do algoritmo FFBP, aqui você pode obter avay usando conjuntos de aprendizagem e teste e mover a aprendizagem seqüencial. Download Cortex Order Cortex View Price List A visibilidade é muito importante para este site. Se você gosta, por favor, faça o link para este URL
No comments:
Post a Comment