Comparação de algoritmos genéticos para estratégias de negociação

Gerenciamento de Riscos de Fundos de Cobertura Usando Algoritmos Neurais e Genéticos Fuzzy.

14 páginas postadas: 24 de agosto de 2004.

Clemens Glaffig.

Panathea Capital Partners.

Data escrita: 20 de agosto de 2004.

O artigo investiga o uso de algoritmos de aprendizagem adaptativa na construção de carteiras dinâmicas que replica as características de retorno de um determinado fundo de hedge. A ênfase é sobre as capacidades predispostas condicionais da amostra, conforme necessário, para servir como uma valiosa ferramenta de gerenciamento de risco, ao invés de simplesmente explicar o comportamento do hedge funds ao longo de um período de amostra. Os algoritmos aprendem regras e estratégias comerciais dinâmicas, juntamente com quais fatores para basear esses, dentro de um mecanismo de aprendizagem integrado. Isso generaliza abordagens anteriores, explorando uma ampla classe de estratégias de negociação não-lineares e dinâmicas para participar na explicação e previsão do comportamento dos fundos de hedge. As capacidades preditivas condicionais dos algoritmos podem ser especificamente empregadas para quantificar o futuro comportamento do fundo. Será útil na construção de medidas quantitativas de risco para hedge funds individuais. O artigo também fornece alguns dados empíricos para fora do comportamento da amostra deste método.

Palavras-chave: fundos de hedge, gerenciamento de risco, redes neurais difusas, algoritmos genéticos.

Classificação JEL: C00, C13, C22, C30, C32, C39, C40, C45, C53, G00, G10.

Clemens Glaffig (Autor do Contato)

Panathea Capital Partners (email)

+49 761 696 6611 (Telefone)

+49 761 696 6612 (Fax)

Estatísticas de papel.

Jornais relacionados.

EJournal de gerenciamento de riscos.

Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.

Mercado de capitais: eJournal de preços e avaliação de ativos.

Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.

Papéis recomendados.

Links Rápidos.

Sobre.

Os cookies são usados ​​por este site. Para recusar ou aprender mais, visite nossa página Cookies. Esta página foi processada por apollo3 em 0.141 segundos.

Comparação de Algoritmos Genéticos para Estratégias de Negociação.

Petr Kroha Matthias Friedrich.

Nesta contribuição, descrevemos e comparamos dois sistemas genéticos que criam estratégias de negociação. O primeiro sistema baseia-se na idéia de que a matriz de peso de conexão de uma rede neural representa o genótipo de um indivíduo e pode ser alterada por algoritmo genético. O segundo sistema usa programação genética para derivar estratégias de negociação. Como dados de entrada em nossas experiências, utilizamos indicadores técnicos dos estoques NASDAQ. Como resultado, os algoritmos geram estratégias de negociação, ou seja, compre, mantenha e venda sinais. Nossa hipótese de que as estratégias obtidas pela programação genética traz melhores resultados do que a estratégia de compra e retenção foi comprovada como estatisticamente significante. Discutimos os nossos resultados e comparamos-os com nossos experimentos anteriores com tecnologia difusa, abordagem fractal e com estratégia de indicadores técnicos simples.

Preview.

Referências.

Informações sobre direitos autorais.

Autores e afiliações.

Petr Kroha 1 Matthias Friedrich 2 1. Faculdade de Tecnologia da Informação, Departamento de Engenharia de Software Universidade Técnica Checa em Praga Praha 6 República Tcheca 2. Chemnitz University of Technology Chemnitz Alemanha.

Sobre este artigo.

Recomendações personalizadas.

Cite o papel.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Compartilhe papel.

Download instantâneo legível em todos os dispositivos Possuí-lo para sempre Imposto de venda local incluído, se aplicável.

Cite o papel.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Compartilhe papel.

Mais de 10 milhões de documentos científicos ao seu alcance.

Switch Edition.

&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Usando a Programação Genética para evoluir Estratégias de Negociação.

Um amigo e eu recentemente trabalhamos juntos em uma tarefa de pesquisa onde usamos a Programação Genética (GP) com sucesso para desenvolver soluções para um problema de classificação financeira do mundo real. Este problema, chamado de análise de segurança, envolve a determinação de quais títulos devem ser comprados para realizar um bom retorno sobre o investimento no futuro. Para encontrar uma solução para este problema, usamos a Programação Genética para desenvolver uma população de árvores de decisão que poderia realizar análise de segurança em sessenta e duas das ações de tecnologia listadas no S & amp; P 500. Ou seja, desenvolvemos árvores de decisão capazes de classificar esses estoques de acordo com se eles deveriam ser comprados ou vendidos curtos.

Árvores de decisão de análise de segurança.

Durante o estudo, desenvolvemos dois tipos de árvores de decisão de análise de segurança. O primeiro utilizou apenas indicadores da análise fundamental e o segundo utilizou apenas indicadores da análise técnica. A análise fundamental é um método de avaliação de uma segurança para medir seu valor intrínseco examinando fatores econômicos, financeiros e outros fatores qualitativos e quantitativos relacionados. A análise técnica é um método de avaliação de títulos através da análise de estatísticas geradas pela atividade de mercado.

Uma estratégia para análise de segurança, independentemente de usar indicadores técnicos ou fundamentais, consistirá em uma série de regras para a tomada de decisões de investimento. Essa estratégia pode ser representada como uma árvore de decisão onde os nós terminais representam decisões de investimento e os nós funcionais representam regras baseadas em indicadores técnicos ou fundamentais. Devido a isso, muitas estratégias de investimento existentes são representadas na forma de árvores de decisão.

Foram selecionados, no total, quarenta e dois indicadores diferentes, tanto da análise técnica quanto da análise fundamental. As estratégias evoluídas foram para um período de detenção fixo de três meses, seis meses, nove meses ou doze meses de duração. As árvores de decisão foram novamente testadas usando dados de mercado de 2018 a 2018.

Programação genética.

A programação genética é uma especialização de um Algoritmo Genético. Algoritmos genéticos são baseados na população, o que significa que eles operam dentro de uma população composta por muitos indivíduos diferentes. Cada indivíduo é representado por um genótipo exclusivo (geralmente codificado como um vetor). Os Algoritmos Genéticos modelam o processo de evolução genética através de uma série de operadores, incluindo o operador de seleção que modela a sobrevivência do operador mais adequado, o crossover que modela a reprodução sexual e o operador de mutação que modela as mutações genéticas que ocorrem aleatoriamente para indivíduos em uma população. Esses operadores, quando combinados, produzem o que os cientistas da computação se referem como um Algoritmo Genético.

Os três operadores de um Algoritmo Genético sendo aplicados a uma população de vetores (blocos)

A diferença entre um Algoritmo Genético e o Algoritmo de Programação Genética é a forma como os genótipos individuais são representados. Nos Algoritmos Genéticos, os genótipos são representados como Cordas ou como Vetores, enquanto na Programação Genética esses genótipos são representados usando estruturas de dados de árvores. A operação de crossover em estruturas de árvores pode acontecer de algumas maneiras, uma sub-árvore é trocada, um nó de folha é removido ou alterado, ou os valores de algum nó são ajustados. Uma ilustração disso é mostrada abaixo,

Este diagrama descreve a estratégia de cruzamento de uma árvore de decisão usada pela programação genética para análise de segurança.

Após este estudo, concluímos que a programação genética tem um grande potencial para desenvolver novas estratégias de análise de segurança e gerenciamento de investimentos, desde que possam ser obtidas melhores funções para o cálculo da aptidão física. Ao longo de nosso estudo de pesquisa, vimos que as árvores de decisão evoluíram usando a Programação Genética podendo produzir classificações de estoque que superaram o retorno médio do mercado de forma consistente nos quatro trimestres. Isso é verdade para árvores de decisão que utilizaram indicadores técnicos, bem como árvores de decisão que usaram indicadores fundamentais. Várias outras conclusões foram derivadas de nossa pesquisa, incluindo os tamanhos ótimos e o nível de heterogeneidade para as árvores de decisão e o valor adicionado pelos diferentes indicadores e o desempenho das estratégias em relação um ao outro. Alguns resultados estão incluídos abaixo.

Relacionamento entre o tamanho da árvore de decisão para a aptidão Os indicadores mais populares utilizados na árvore de decisão final.

Tamanho médio das árvores por iteração Exemplo Exemplo de Árvore de Decisão de Análise de Segurança Árvore de Decisão de Análise de Segurança.

Conclusão.

Dois relatórios de pesquisa independentes foram produzidos por mim e meu amigo. Ambos os relatórios são muito mais detalhados sobre nosso estudo de pesquisa, a abordagem adotada, nosso projeto e implementação, as estratégias de teste que usamos, nossas conclusões e recomendações para pesquisas futuras. Você também pode baixar uma cópia do código-fonte criado durante a implementação. Para os meus colegas, conta mais técnica do projeto, clique aqui.

História anterior.

Agrupamento usando otimização de colunas de formigas.

Próxima História.

Sistemas Inteligentes de Negociação Algorítmica.

[Comentário copiado de LinkedIn Computational Finance Group]

Muito bom trabalho. A escrita também é maravilhosa.

Eu só tive a chance de olhar para o relatório. Algumas estatísticas que seriam boas para analisar: como o seu portfólio da GA se compara às carteiras dos mesmos ativos. Eu olhava duas carteiras de comparação: um portfólio igual ponderado e um portfólio de estilo S & P que é ponderado pela capitalização de mercado.

Como se verifica, pode ser surpreendentemente difícil vencer um portfólio igualmente ponderado. Rebalancear as carteiras trimestralmente, uma vez que alguns estoques vão subir e alguns vão cair (por exemplo, você quer manter os pesos do portfólio iguais, à medida que os preços mudam). Se o seu algoritmo genético supera essas carteiras, então você tem "alfa" (excesso de retorno sobre o benchmark).

Claro que o alfa não é tudo. Você deve olhar para a Perda de cauda esperada (ETL) (também conhecida como CVaR, déficit esperado) tanto para o portfólio da GA quanto para o "benchmark". Se você tiver menos risco para o mesmo retorno, então você pode considerar que você bateu o benchmark. A medida ETL é uma medida melhor do que a relação Sharpe quando se trata de risco, uma vez que a relação Sharpe mede a variação, que é de dois lados. ETL apenas mede a perda.

Uma observação: um problema com GA e redes neurais (NN) é que são caixas negras. É difícil determinar por que eles fazem as "escolhas" que eles fazem. Então imagine que você é um gerente de portfólio. Seu GA ou NN começa a funcionar mal. Que medidas você pode tomar para abordar isso? O problema é que tudo o que você pode realmente fazer é treinar e você não sabe se a reconversão melhorará. Claro que com uma árvore de decisão não é tão ruim assim, pelo menos você sabe quais as decisões tomadas. O problema é que, se você estiver constantemente procurando por ele para tomar as decisões "corretas", então você também terá um problema.

Essas questões são razões que você não vê esses algoritmos usados ​​tanto (embora sejam usados).

[Resposta copiada do LinkedIn Computational Finance Group]

Obrigado pelas palavras complementares Ian, agradecemos que você se interesse em nossa pesquisa e nos forneça alguns comentários perspicazes.

Na nossa abordagem, apenas comparamos o desempenho das seleções de estoque feitas por nossas árvores de decisão em relação a um portfólio igualmente ponderado. Estender a nossa pesquisa para incorporar diferentes carteiras é uma ideia interessante que acompanharemos durante a próxima fase de desenvolvimento. Também estamos considerando implementar algumas das abordagens bem conhecidas para a análise de segurança para serem usadas como benchmarks de desempenho adicionais. Se você ou qualquer outra pessoa tiver sugestões sobre quais abordagens podem fazer bons benchmarks, por favor me avise.

Seus comentários sobre o uso de outras medidas de desempenho são atualizados. Gostaríamos definitivamente de voltar a olhar para a estrutura de back-testing e investigar maneiras de torná-lo mais rigoroso e menos propenso a excesso de ajuste. Também gostaríamos de implementar funções de fitness adicionais que levem em consideração medidas de risco de portfólio e medidas de retorno excessivo (alfa). Examinarei as medidas que você mencionou e verá o melhor possível para incorporá-las à nossa estrutura existente. Também consideraremos como é possível usar um framework de back-testing de código aberto, como ZipLine, o framework de back-testing usado por quantopian.

Suas observações sobre a natureza e o uso de GA e Neural Networks em finanças são muito interessantes. O desafio de tornar esses algoritmos mais transparentes e, francamente, um pouco menos assustador, é que não se deve tirar levemente. Meu colega atualmente está trabalhando em uma tarefa de pesquisa onde ele está tentando levantar o véu em alguns dos trabalhos internos das Redes Neurais. Se ele for bem sucedido, então, em vez de precisar redigir constantemente redes neuronais quando "algo der errado", ele pode isolar a causa do problema na rede neural e adaptar sua arquitetura de acordo. Ele está considerando usar uma aplicação financeira do mundo real de Neural Networks em sua pesquisa. Então, se você tem alguma idéia sobre isso, por favor me avise?

Pessoalmente falando, atualmente estou trabalhando em uma tarefa de pesquisa onde estou tentando construir uma estrutura algorítmica para a seleção e otimização de portfólio comercial. Faz uso de alguns algoritmos de Inteligência Computacional e em frente Eu vou manter em mente os problemas que você mencionou. Vou tentar identificar maneiras de mitigar ou eliminar essas preocupações no quadro. Obrigado novamente por todos os seus comentários, agradecemos o feedback. Se você tem mais boas ideias, entre em contato conosco.

[Comentário copiado de LinkedIn Computational Finance Group]

Eu acho que a abordagem mais razoável para backtesting é comparar seus resultados com o que acontece com o comércio aleatório que ainda obedece a quaisquer restrições que você está impondo no portfólio. Isso é discutido em:

[Resposta copiada do LinkedIn Computational Finance Group]

Obrigado Patrick, essa é uma boa sugestão. Eu entendo a abordagem porque o conceito de backtesting de um algoritmo contra uma estratégia de negociação aleatória é conceitualmente semelhante ao teste de um algoritmo de busca contra busca aleatória. O que é algo que fiz antes. Quão popular você diria que a estratégia de backtesting é?

[Resposta copiada do LinkedIn Computational Finance Group]

Stuart: Depressa impopular. Mas tem que começar em algum lugar.

[Comentário copiado de LinkedIn Computational Finance Group]

Parece bom, qual é o motivo do uso dos 62 estoques de tecnologia, e não de 500 ações?

[Cópias de resposta do LinkedIn Computational Finance Group]

Oi JZ, essa é uma boa pergunta e fico feliz que você tenha perguntado. Debatimos a nossa abordagem e uma opinião externa seria muito apreciada. Limitamos nossa amostra de teste a apenas um setor devido a dois motivos:

1) Acreditamos que as árvores de decisão que utilizam Indicadores Fundamentais podem variar drasticamente entre diferentes indústrias. Isso ocorre porque as proporções financeiras podem variar entre diferentes indústrias e pensamos que um investidor que use essa abordagem desejaria evoluir árvores de decisão para cada setor de forma independente. ** e.

2) Nós só recebemos três semanas para completar a tarefa e nos preocupava que adicionar mais ações seria muito demorado. Isso resultou ser uma preocupação infundada, uma vez que nossa implementação poderia facilmente lidar com todos os 500 estoques no S & amp; P500 sem problemas de desempenho significativos.

** Nota: isso não se aplica a árvores de decisão usando indicadores de Análise Técnica.

Extremamente interessante. Bom Stuart.

É um exercício interessante, mas não vejo qual a vantagem do GP em simplesmente treinar toda a Árvore de Decisão usando alguma medida de impureza. Parece que faz o mesmo apenas de forma muito ineficiente e provavelmente com menos precisão também.

Oi, Ignas, para ser perfeitamente honesto, o GP sofre muitas desvantagens e a técnica ainda está sendo aperfeiçoada. Tendo sido dito, os métodos tradicionais de indução de árvores de decisão (que eu sou mais recentemente um fã de) também têm suas desvantagens que podem (ou não) ser superadas pela programação genética.

Estou tentando implementar o GA em python. Quais são algumas bibliotecas de python que você recomendaria.

Você tentou trocar seu sistema ao vivo?

Oi Lawrence, infelizmente não. Este post tem muitos anos e representa um antigo projeto coletivo meu :-). Eu recomendaria dar uma olhada no Genotick para uma estratégia de negociação baseada na programação genética imparcial. Eu acredito que as pessoas estão negociando ao vivo.

Envie um comentário.

Cancelar resposta.

Siga a Turing Finance.

Turing Finance Mailing List.

Amigos da Turing Finance.

Quantocracy é o melhor agregador de blog de finanças quantitativas com links para novas análises postadas todos os dias.

NMRQL é o fundo hedge quantitativo de que sou parte. Usamos a aprendizagem de máquinas para tentar vencer o mercado.

Gerenciamento de Riscos de Fundos de Cobertura Usando Algoritmos Neurais e Genéticos Fuzzy.

14 páginas postadas: 24 de agosto de 2004.

Clemens Glaffig.

Panathea Capital Partners.

Data escrita: 20 de agosto de 2004.

O artigo investiga o uso de algoritmos de aprendizagem adaptativa na construção de carteiras dinâmicas que replica as características de retorno de um determinado fundo de hedge. A ênfase é sobre as capacidades predispostas condicionais da amostra, conforme necessário, para servir como uma valiosa ferramenta de gerenciamento de risco, ao invés de simplesmente explicar o comportamento do hedge funds ao longo de um período de amostra. Os algoritmos aprendem regras e estratégias comerciais dinâmicas, juntamente com quais fatores para basear esses, dentro de um mecanismo de aprendizagem integrado. Isso generaliza abordagens anteriores, explorando uma ampla classe de estratégias de negociação não-lineares e dinâmicas para participar na explicação e previsão do comportamento dos fundos de hedge. As capacidades preditivas condicionais dos algoritmos podem ser especificamente empregadas para quantificar o futuro comportamento do fundo. Será útil na construção de medidas quantitativas de risco para hedge funds individuais. O artigo também fornece alguns dados empíricos para fora do comportamento da amostra deste método.

Palavras-chave: fundos de hedge, gerenciamento de risco, redes neurais difusas, algoritmos genéticos.

Classificação JEL: C00, C13, C22, C30, C32, C39, C40, C45, C53, G00, G10.

Clemens Glaffig (Autor do Contato)

Panathea Capital Partners (email)

+49 761 696 6611 (Telefone)

+49 761 696 6612 (Fax)

Estatísticas de papel.

Jornais relacionados.

EJournal de gerenciamento de riscos.

Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.

Mercado de capitais: eJournal de preços e avaliação de ativos.

Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.

Papéis recomendados.

Links Rápidos.

Sobre.

Os cookies são usados ​​por este site. Para recusar ou aprender mais, visite nossa página Cookies. Esta página foi processada por apollo5 em 0.172 segundos.

Desenvolvendo estratégias de negociação de alto desempenho com programação genética.

Um dos aspectos frustrantes da pesquisa e do desenvolvimento de sistemas de negociação é que nunca há tempo suficiente para investigar todas as idéias comerciais interessantes que alguém gostaria de explorar. No início da década de 1970, quando um sistema de cruzamento médio móvel era considerado estado da arte, era relativamente fácil desenvolver estratégias lucrativas usando indicadores técnicos simples. Na verdade, a pesquisa mostrou que a rentabilidade das regras de negociação simples persistiu em mercados cambiais e outros mercados por um período de décadas. Mas, coincidentes com o advento do PC no final da década de 1980, tais estratégias simples começaram a falhar. A ampla disponibilidade de dados, ferramentas analíticas e poder de computação contribuiu, sem dúvida, para o aumento da eficiência dos mercados financeiros e complicou a busca de idéias comerciais lucrativas. Estamos agora em um estágio em que é possível levar uma equipe de 5-6 pesquisadores / desenvolvedores, usando técnicas avançadas de pesquisa e tecnologias de computação, desde 12 a 18 meses e centenas de milhares de dólares, para desenvolver uma estratégia de protótipo. E não há garantia de que o resultado final produza os retornos de investimento necessários.

Os prazos de alongamento e o aumento do custo e risco de pesquisa estratégica obrigaram as empresas comerciais a explorar possibilidades de aceleração do processo R & D. Uma dessas abordagens é a Programação Genética.

Experiências iniciais com programação genética.

Cheguei a abordar a abordagem do GP na estratégia de investimento no final da década de 1990, quando comecei a trabalhar com Haftan Eckholdt, então chefe de neurociência na Yeshiva University, em Nova York. Haftan propôs a criação de estratégias comerciais aplicando o tipo de técnicas amplamente utilizadas para analisar conjuntos de dados volumosos e altamente complexos na pesquisa genética. Fiquei extremamente céptico com a idéia e passei os 18 meses seguintes, chutando os pneus muito, de fato, em nome de um investidor interessado. Embora os resultados de Haftan pareciam promissores, eu estava bastante certo de que eles eram o produto de uma chance aleatória e começaram a elaborar testes que demonstrariam isso.

Um dos desafios que desenvolvi foi criar conjuntos de dados em que séries de ações reais e sintéticas foram misturadas e administradas ao sistema avaliado. Para o olho humano (ou planilha do analista), as séries sintéticas eram indistinguíveis do real. Mas, de fato, eu tinha "plantado" alguns padrões dentro dos processos das ações sintéticas que os faziam funcionar de forma diferente dos seus homólogos da vida real. Alguns dos padrões que criei foram bastante simples, como a introdução de um componente de deriva. Mas outros padrões foram mais matizados, por exemplo, usando um gerador de movimento Brownian fractal para induzir longa memória no processo de volatilidade do estoque.

Foi quando eu vi o sistema detectar e explorar os padrões enterrados profundamente dentro da série sintética para criar estratégias sensíveis e lucrativas que eu comecei a prestar atenção. Pouco tempo depois, Haftan e eu unimos forças para criar o que se tornou o Proteom Fund.

Que o Proteom conseguiu ser um testemunho não só da habilidade de Haftan como pesquisador, mas também de suas habilidades como programador e técnico. O processamento de tão grandes volumes de dados foi um tremendo desafio naquela época e exigiu um cluster de 50 cpu em rede e mantido com uma quantidade razoável de patch cable e cola. Nós abrigamos o cluster em um armazém infestado de ratos no Brooklyn que tinha uma visão muito agradável de Manhattan, mas não a / c. O calor tirado do cluster foi imenso, e quando combinado com música de rap muito alta explodiu pelas paredes pelos estúdios de música vizinhos, o efeito era debilitante. Como você pode imaginar, reuniões com investidores foram uma experiência altamente imprevisível. Felizmente, o intelecto de Haftan foi acompanhado por suas imensas reservas de força e paciência e fomos capazes de atrair investimentos de vários investidores institucionais líderes.

A abordagem de programação genética para a construção de modelos comerciais.

A programação genética é uma metodologia algorítmica baseada em evolução que pode ser usada de maneira muito geral para identificar padrões ou regras dentro das estruturas de dados. O sistema GP é fornecido com um conjunto de instruções (tipicamente operadores simples, como adição e subtração), algumas observações de dados e uma função de aptidão para avaliar o quão bem o sistema é capaz de combinar as funções e os dados para atingir um objetivo específico.

No contexto da estratégia de negociação, as observações de dados podem incluir não só dados de preços, mas também volatilidade de preços, médias móveis e uma variedade de outros indicadores técnicos. A função de fitness poderia ser algo tão simples como o lucro líquido, mas poderia representar medidas alternativas de rentabilidade ou risco, com fatores como PL por comércio, taxa de ganhos ou redução máxima. Para reduzir o perigo de sobreposição, é costume limitar os tipos de funções que o sistema pode usar para operadores simples (+, -, /, *), expoentes e funções trigonométricas. O comprimento do programa também pode ser limitado em termos das linhas máximas permitidas de código.

Podemos representar o que está acontecendo usando um gráfico de árvore:

Neste exemplo, o sistema GP está combinando vários operadores simples com as funções trigonométricas Sin e Cos para criar um sinal que compreende uma expressão em duas variáveis, X e Y, que podem ser, por exemplo, preços de ações, médias móveis ou indicadores técnicos de impulso ou reversão média.

O aspecto "evolutivo" do processo de GP deriva da idéia de que um sinal ou modelo existente pode ser mutado substituindo os nós em um ramo de uma árvore, ou mesmo um ramo inteiro por outro. O desempenho do sistema é reavaliado usando a função de fitness e as mutações mais rentáveis ​​são mantidas para geração adicional.

Os modelos resultantes são muitas vezes altamente não-lineares e podem ser de forma muito geral.

Nos últimos quinze anos, houve enormes avanços no campo da programação genética, em termos de teoria e prática. Usando uma única CPU hiper-threaded, agora é possível que um sistema GP gere sinais a uma taxa muito mais rápida do que era possível no cluster do Proteom de 50 CPUs em rede. Um pesquisador pode desenvolver e avaliar dezenas de milhões de possíveis algoritmos de negociação com o espaço de poucas horas. Implementar uma estratégia cuidadosamente pesquisada e testada agora é viável em questão de semanas. Não há dúvida sobre o potencial do GP de produzir reduções dramáticas nos prazos e custos da R & amp; D. Mas isso funciona?

Para abordar essa questão, resumi abaixo os resultados de desempenho de um sistema daytrading desenvolvido por GP que comercializa nove mercados de futuros diferentes: petróleo bruto (CL), Euro (EC), E-Mini (ES), ouro (GC), óleo de aquecimento (HO), café (KC), gás natural (NG), notas de dez anos (TY) e obrigações (EUA). O sistema comercializa um único contrato em cada mercado individualmente, indo longo e curto várias vezes ao dia. Somente o período mais líquido em cada mercado é negociado, o que normalmente coincide com a sessão aberta, e as posições abertas são encerradas no final da sessão usando ordens de mercado. Com exceção dos mercados NG e HO, que são inseridos usando ordens stop, todos os mercados são inseridos e saiu usando ordens padrão de limite, a preços determinados pelo sistema.

O sistema foi construído usando dados de barra de 15 minutos de janeiro de 2006 a dezembro de 2018 e testou a amostra fora de amostra de janeiro de 2018 a maio de 2017. O intervalo de dados em amostra foi escolhido para cobrir períodos de estresse de mercado extremo, como bem como condições de mercado menos voláteis. Foi escolhido um longo período fora da amostra, quase metade do intervalo do período na amostra, para avaliar a robustez do sistema.

O teste fora da amostra foi "duplo-cego", o que significa que os dados não foram utilizados na construção dos modelos, nem o desempenho fora da amostra avaliado pelo sistema antes de qualquer modelo ser selecionado.

Os resultados de desempenho são líquidos de comissões de negociação de US $ 6 por rodada e, no caso de HO e NG, derrapagem adicional de 2 carrapatos por turno redondo.

(clique na tabela para uma visualização de definição mais alta)

A característica mais marcante da estratégia é a alta taxa de retornos ajustados ao risco, conforme medido pelo índice de Sharpe, que excede 5 em períodos de amostra e fora da amostra. Esta consistência é um reflexo do fato de que, enquanto os retornos líquidos caíram de uma média anual de mais de 29% na amostra para cerca de 20% no período de 2018, também a volatilidade da estratégia diminui de 5,35% para 3,86% em os respectivos períodos. A redução do risco no período fora da amostra também se reflete em níveis mais baixos de Valor em risco e Drawdown.

Um declínio na média PL por comércio de US $ 25 para US $ 16 em compensação em algum grau por um ligeiro aumento na taxa de negociação, de 42 para 44 negócios por dia, em média, enquanto a taxa diária de vitoria e as negociações lucrativas em percentagem permanecem consistentes ao redor 65% e 56%, respectivamente.

No geral, o sistema parece não só ser altamente lucrativo, mas também extremamente robusto. Isso é impressionante, uma vez que os modelos não foram atualizados com dados após 2018, permanecendo estático durante um período de quase metade, enquanto a extensão dos dados usados ​​em sua construção. É razoável esperar que o desempenho fora da amostra possa ser melhorado ao permitir que os modelos sejam atualizados com dados mais recentes.

Benefícios e riscos da abordagem do GP para o desenvolvimento do sistema de negociação.

Os benefícios potenciais da abordagem de GP para o desenvolvimento do sistema de negociação incluem velocidade de desenvolvimento, flexibilidade de design, generalidade de aplicação em mercados e testes rápidos e implantação.

E sobre a desvantagem? A preocupação mais óbvia é o risco de sobreposição. Ao permitir que o sistema desenvolva e teste milhões de modelos, há um risco distinto de que os sistemas resultantes possam estar muito condicionados sobre os dados na amostra e não conseguirão manter o desempenho diante de novas condições de mercado. É por isso que, é claro, mantemos uma quantidade substancial de dados fora da amostra, a fim de avaliar a robustez do sistema comercial. Mesmo assim, dada a enorme quantidade de modelos avaliados, continua a existir um risco significativo de sobreposição.

Outra desvantagem é que, devido à natureza do processo de modelagem, pode ser muito difícil de entender, ou explicar aos potenciais investidores, a "hipótese de mercado" subjacente a qualquer modelo específico. "Nós testamos e isso funciona" não é uma explicação particularmente esclarecedora para os investidores, que estão acostumados a apresentar um quadro teórico mais articulado ou uma tese de investimentos. Não ser capaz de explicar com precisão como um sistema ganha dinheiro é preocupante o suficiente nos bons tempos; Mas, em tempos ruins, durante uma redução prolongada, é provável que os investidores se agitem muito rapidamente, caso não existam explicações. Infelizmente, avaliar a questão de saber se um período de mau desempenho é temporário, ou o resultado de uma quebra no modelo, pode ser um processo complicado.

Finalmente, em comparação com outras técnicas de modelagem, os modelos GP sofrem de uma incapacidade de atualizar facilmente os parâmetros do modelo com base em novos dados à medida que se tornam disponíveis. Normalmente, como modelo GP será reconstruído a partir do zero, muitas vezes produzindo resultados muito diferentes a cada vez.

Apesar das muitas limitações da abordagem GP, as vantagens em termos de velocidade e custo de pesquisar e desenvolver sinais e estratégias comerciais originais tornaram-se cada vez mais atraentes.

Dado os vários êxitos bem documentados da abordagem do GP em campos tão diversos como a genética e a física, penso que uma posição apropriada a levar em relação às aplicações na pesquisa de mercado financeiro seria um otimismo cauteloso.