Burton mencadangkan dalam bukunya, "A Random Walk Down Wall Street", (1973) bahawa, "Sebuah monyet yang ditutupi marmar yang melemparkan anak panah di halaman kewangan akhbar dapat memilih portofolio yang akan dilakukan juga sebagai seorang yang dipilih dengan teliti oleh pakar. " Walaupun evolusi mungkin membuat manusia tidak lagi bijak memetik stok, teori Charles Darwin agak berkesan apabila digunakan secara langsung. (Untuk membantu anda memilih saham, lihat Cara Pilih Saham .)

TUTORIAL: Strategi Saham Picking

Apakah Algoritma Genetik?
Algoritma genetik (GA) adalah kaedah penyelesaian masalah (atau heuristik) yang meniru proses evolusi semulajadi. Tidak seperti rangkaian neural buatan (ANN), yang direka untuk berfungsi seperti neuron di otak, algoritma ini menggunakan konsep pemilihan semulajadi untuk menentukan penyelesaian terbaik untuk masalah. Akibatnya, GA biasanya digunakan sebagai pengoptimal yang menyesuaikan parameter untuk meminimumkan atau memaksimumkan beberapa langkah maklum balas, yang kemudiannya boleh digunakan secara bebas atau dalam pembinaan ANN.

Di pasaran kewangan, algoritma genetik paling biasa digunakan untuk mencari nilai kombinasi terbaik parameter dalam peraturan perdagangan, dan mereka boleh dibina ke dalam model ANN yang direka untuk memilih saham dan mengenal pasti perdagangan. Beberapa kajian menunjukkan bahawa kaedah-kaedah ini dapat dibuktikan dengan berkesan, termasuk "Algoritma Genetik: Kejadian Penilaian Stok" (2004) oleh Rama, dan "Aplikasi Algoritma Genetik dalam Pengoptimalan Perlombongan Data Pasaran Saham" (2004) oleh Lin, Cao, Wang , Zhang. (Untuk mengetahui lebih lanjut mengenai ANN, lihat Rangkaian Neural: Keuntungan Peramalan .)

Bagaimana Algoritma Genetik berfungsi
Algoritma genetik dicipta secara matematik menggunakan vektor, iaitu jumlah yang mempunyai arah dan magnitud. Parameter untuk setiap peraturan perdagangan diwakili dengan vektor satu dimensi yang boleh dianggap sebagai kromosom dalam istilah genetik. Sementara itu, nilai-nilai yang digunakan dalam setiap parameter boleh dianggap sebagai gen, yang kemudian diubahsuai menggunakan pemilihan semula jadi.

Sebagai contoh, peraturan perdagangan mungkin melibatkan penggunaan parameter seperti Moving Average Convergence-Divergence (MACD), Exponential Moving Average (EMA) dan Stochastics. Algoritma genetik akan memasukkan nilai-nilai ke dalam parameter ini dengan matlamat memaksimumkan keuntungan bersih. Dari masa ke masa, perubahan kecil diperkenalkan dan mereka yang membuat impak wajar dikekalkan untuk generasi akan datang.

Terdapat tiga jenis operasi genetik yang kemudiannya boleh dilakukan:

• Crossovers mewakili pembiakan dan biologi crossover yang dilihat dalam biologi, di mana kanak-kanak mengambil ciri-ciri tertentu ibu bapanya.
• Mutasi mewakili mutasi biologi dan digunakan untuk mengekalkan kepelbagaian genetik dari satu generasi ke satu populasi ke seterusnya dengan memperkenalkan perubahan kecil secara rawak.
• Pilihan adalah peringkat di mana genom individu dipilih daripada populasi untuk pembiakan kemudian (rekombinasi atau crossover).

Ketiga-tiga operator ini kemudiannya digunakan dalam proses lima langkah:

1. Mengatur populasi rawak, di mana setiap kromosom n -length, dengan n parameter. Iaitu, bilangan parameter rawak dibuat dengan elemen n masing-masing.
2. Pilih kromosom, atau parameter, yang meningkatkan hasil yang diingini (mungkin keuntungan bersih).
3. Terapkan pengendali mutasi atau crossover kepada ibu bapa yang dipilih dan menjana anak.
4. Rekombinasikan anak dan populasi semasa untuk membentuk populasi baru dengan pengendali pemilihan.
5. Ulangi langkah dua hingga empat.

Sepanjang masa, proses ini akan menghasilkan kromosom yang lebih baik (atau, parameter) untuk digunakan dalam peraturan perdagangan. Proses itu kemudian ditamatkan apabila kriteria berhenti dipenuhi, yang boleh termasuk waktu berjalan, kecergasan, bilangan generasi atau kriteria lain. (Untuk lebih lanjut mengenai MACD, baca Trading MACD Divergence .)

Menggunakan Algoritma Genetik dalam Perdagangan
Walaupun algoritma genetik digunakan terutamanya oleh pedagang kuantitatif institusi, pedagang individu dapat memanfaatkan kekuatan algoritma genetik - tanpa ijazah dalam matematik lanjutan - menggunakan beberapa pakej perisian di pasaran. Penyelesaian ini terdiri daripada pakej perisian mandiri yang diarahkan ke pasaran kewangan kepada tambahan Microsoft Excel yang dapat memudahkan analisis lebih lanjut.

Apabila menggunakan aplikasi ini, peniaga boleh menentukan satu set parameter yang kemudian dioptimumkan menggunakan algoritma genetik dan satu set data sejarah. Sesetengah aplikasi boleh mengoptimumkan parameter yang digunakan dan nilai untuk mereka, sementara yang lain lebih tertumpu pada hanya mengoptimumkan nilai-nilai untuk set parameter tertentu. (Untuk mengetahui lebih lanjut tentang strategi-strategi yang diperolehi oleh program ini, lihat The Power of Trades Program .)

Tips dan Trik Pengoptimuman Penting
Pemasangan Curve (over fit) daripada mengenal pasti tingkah laku berulang, mewakili risiko yang berpotensi untuk pedagang yang menggunakan algoritma genetik. Mana-mana sistem perdagangan yang menggunakan GA harus diuji ke hadapan di atas kertas sebelum penggunaan langsung.

Memilih parameter adalah bahagian penting dari proses ini, dan peniaga harus mencari parameter yang berkaitan dengan perubahan harga dari suatu keamanan yang diberikan. Contohnya, cuba penunjuk yang berbeza dan lihat apakah ada yang kelihatan berkait rapat dengan pasaran utama.

Line Bottom
Algoritma genetik adalah cara yang unik untuk menyelesaikan masalah kompleks dengan memanfaatkan kuasa alam. Dengan menggunakan kaedah ini untuk meramalkan harga sekuriti, peniaga boleh mengoptimumkan peraturan perdagangan dengan mengenal pasti nilai terbaik untuk digunakan bagi setiap parameter untuk keselamatan tertentu. Walau bagaimanapun, algoritma ini bukan Grail Kudus, dan peniaga perlu berhati-hati untuk memilih parameter yang betul dan tidak patut kurva (lebih sesuai). (Untuk membaca lebih lanjut mengenai pasaran, lihat Dengar Pasar, Bukan Pundits .)