Burton föreslog i sin bok, En Random Walk Down Wall Street "(1973) att" En blindfoldad apa kasta dart på en tidnings finansiella sidor kunde välja en portfölj som skulle göra lika bra som en noggrant utvald av experter. " Medan utvecklingen kan ha gjort människan inte mer intelligent vid att plocka lager, har Charles Darwins teori ganska effektiva när de tillämpas mer direkt. (För att hjälpa dig att välja lager, kolla in Hur man väljer ett lager .)

TUTORIAL: Lagerplockningsstrategier

Vad är genetiska algoritmer?
Genetiska algoritmer (GAs) är problemlösningsmetoder (eller heuristik) som efterliknar processen med naturlig utveckling. Till skillnad från artificiella neurala nätverk (ANNs), utformade för att fungera som neuroner i hjärnan, använder dessa algoritmer begreppen naturligt urval för att bestämma den bästa lösningen för ett problem. Som ett resultat brukar GAs vanligtvis användas som optimeringsmedel som anpassar parametrar för att minimera eller maximera viss återkopplingsmått, som sedan kan användas oberoende eller i konstruktionen av en ANN.

På de finansiella marknaderna används de vanligast förekommande genetiska algoritmerna för att hitta de bästa kombinationsvärdena för parametrar i en handelsregel och de kan byggas in i ANN-modeller som är utformade för att välja lager och identifiera affärer. Flera studier har visat att dessa metoder kan visa sig effektiva, bland annat "Genetic Algorithms: Genesis of Stock Evaluation" (2004) av Rama och "The Applications of Genetic Algorithms in Stock Market Data Mining Optimization" (2004) av Lin, Cao, Wang , Zhang. (För mer information om ANN, se Neurala nätverk: Förutspår vinster .)

Hur genetiska algoritmer fungerar
Genetiska algoritmer skapas matematiskt med hjälp av vektorer, vilka är kvantiteter som har riktning och storlek. Parametrar för varje handelsregel är representerade med en endimensionell vektor som kan betraktas som en kromosom i genetiska termer. Under tiden kan värdena som används i varje parameter betraktas som gener, vilka sedan modifieras med naturligt val.

Exempelvis kan en handelsregel innefatta användningen av parametrar som Moving Average Convergence-Divergence (MACD), Exponential Moving Average (EMA) och Stochastics. En genetisk algoritm skulle sedan mata in värden i dessa parametrar med målet att maximera vinsten. Med tiden införs små förändringar och de som ger en önskad inverkan behålls för nästa generation.

Det finns tre typer av genetiska operationer som kan utföras:

• Crossovers representerar reproduktion och biologisk korsning som ses i biologi, varvid ett barn tar på sig vissa egenskaper hos sina föräldrar.
• Mutationer representerar biologisk mutation och används för att upprätthålla genetisk mångfald från en generation av en population till nästa genom att introducera slumpmässiga små förändringar.
• Val är det stadium där enskilda genomer väljs från en population för senare uppfödning (rekombination eller crossover).

Dessa tre operatörer används sedan i en femstegsprocess:

1. Initiera en slumpmässig population där varje kromosom är n -längd, med n är antalet parametrar. Det vill säga, ett slumpmässigt antal parametrar upprättas med n -elementen vardera.
2. Välj kromosomer eller parametrar som ökar önskvärda resultat (förmodligen nettoresultat).
3. Använd mutations- eller crossover-operatörer till de valda föräldrarna och generera en avkomma.
4. Recombinera avkomman och nuvarande befolkning för att bilda en ny befolkning med urvalsoperatören.
5. Upprepa steg två till fyra.

Med tiden kommer processen att leda till alltmer fördelaktiga kromosomer (eller parametrar) för användning i en handelsregel. Processen avslutas sedan när ett stoppkriterium är uppfyllt, vilket kan innehålla körtid, träning, antal generationer eller andra kriterier. (För mer om MACD läs Handel med MACD Divergence .)

Använda genetiska algoritmer i handel
Även om genetiska algoritmer används främst av institutionella kvantitativa handlare kan enskilda handlare utnyttja kraften hos genetiska algoritmer - utan examen i avancerad matematik - med flera mjukvarupaket på marknaden. Dessa lösningar sträcker sig från fristående mjukvarupaket riktad mot finansmarknaderna till Microsoft Excel-tillägg som kan underlätta mer praktisk analys.

När du använder dessa applikationer kan handlare definiera en uppsättning parametrar som optimeras sedan med en genetisk algoritm och en uppsättning historiska data. Vissa applikationer kan optimera vilka parametrar som används och värdena för dem, medan andra främst är inriktade på att helt enkelt optimera värdena för en viss uppsättning parametrar. (För mer information om dessa program härledda strategier, se Kraften i programhandeln .)

Viktiga optimerings tips och tricks
Kurvmontering (övermontering), utforma ett handelssystem kring historiska data snarare än att identifiera repeterbar beteende, utgör en potentiell risk för handlare som använder genetiska algoritmer. Alla handelssystem som använder GA bör provprövas på papper före direktanvändning.

Att välja parametrar är en viktig del av processen, och handlare bör söka parametrar som korrelerar med förändringar i priset på en viss säkerhet. Testa till exempel olika indikatorer och se om det verkar korrelera med stora marknadssvingningar.

Bottom Line
Genetiska algoritmer är unika sätt att lösa komplexa problem genom att utnyttja naturens kraft. Genom att tillämpa dessa metoder för att förutsäga värdepapperspriser kan handlare optimera handelsregler genom att identifiera de bästa värden som ska användas för varje parameter för en viss säkerhet. Men dessa algoritmer är inte heliga graden, och handlare bör vara noga med att välja rätt parametrar och inte kurva passform (över passform). (För att läsa mer om marknaden, kolla in Lyssna på marknaden, inte dess pundits .)