Forex Algoritmo Genético

MetaTrader 4 - Algoritmos genéticos do testador versus pesquisa simples no Optimizador MetaTrader 4 1. O que são algoritmos genéticos A plataforma MetaTrader 4 agora oferece algoritmos genéticos de otimização, as entradas Expert Advisors. Eles reduzem significativamente o tempo de otimização sem qualquer invalidação significativa dos testes. O seu princípio de operação é descrito no artigo denominado Algoritmos Genéticos: Matemática em detalhes. Este artigo é dedicado à otimização de insumos EAs usando algoritmos genéticos em comparação com os resultados obtidos usando a busca direta e completa dos valores dos parâmetros. 2. The Expert Advisor Para as minhas experiências, completei ligeiramente a EA chamada CrossMACD que você pode ter conhecido do artigo denominado Gerenciamento de encomendas: é simples: adicionou StopLoss e TakeProfit às posições colocadas. Adicionado Trailing Stop. Parâmetro usado OpenLuft para filtrar sinais: agora o sinal virá se a linha zero for cruzada em uma certa quantidade de pontos (com a precisão a uma casa decimal). Adicionado o parâmetro CloseLuft para a filtragem semelhante de sinais próximos. Coloque em variáveis ​​experimentais os períodos das médias lentas e de movimentação rápida usadas para cálculos MACD. Agora é um consultor especialista praticamente completo. Será conveniente otimizar e usar na negociação. Você pode fazer o download do EA CrossMACDDeLuxe. mq4 para o seu PC e testá-lo de forma independente. 3. Otimização Agora podemos começar a otimizar a EA. Três testes serão realizados com diferentes quantidades de pesquisas de otimização. Isso ajudará a comparar lucros obtidos usando algoritmos genéticos em várias situações. Após cada teste, vou remover manualmente o cache do testador para os testes subseqüentes para não usar combinações já encontradas. Isso é necessário apenas para que a experiência seja mais precisa - normalmente, a busca automática de resultados apenas melhora a otimização repetida. Para comparar os resultados. A otimização usando algoritmos genéticos será feita duas vezes: primeira vez - para encontrar o lucro máximo (Lucro), segunda vez para encontrar o maior fator de lucro (Fator de lucro). Depois disso, os melhores três resultados para ambos os métodos de otimização serão dados na tabela de relatório de resumo ordenada pelas colunas fornecidas. A otimização é puramente experimental. Este artigo não tem como objetivo encontrar insumos que realmente façam maiores lucros. Símbolo do gráfico EURUSD cronograma do gráfico 1 período de teste 2 anos de modelagem Aumente os preços apenas entradas pesquisadas: Deve-se notar que, ao usar algoritmos genéticos, o tempo esperado de otimização é aproximadamente o mesmo que o da otimização usando busca de entradas diretas. A diferença é que um algoritmo genético exibe continuamente combinações sem sucesso e, dessa forma, reduz a quantidade de testes necessários várias vezes (talvez várias dezenas, centenas, milhares de vezes). É por isso que você não deve ser orientado para o tempo de otimização esperado ao usar algoritmos genéticos. O tempo de otimização real sempre será mais curto: como você vê, a otimização usando algoritmos genéticos levou menos de quatro minutos em vez das esperadas cinco horas e meia. Gráfico de otimização com algoritmos genéticos também difere daquela com pesquisa direta. Uma vez que as combinações ruins já foram eliminadas, os testes subsequentes são conduzidos com combinações de entradas que são mais lucrativas por padrão. É por isso que o gráfico de saldo aumenta: considere os resultados de ambos os métodos de otimização em todos os detalhes. A situação mudou. Os períodos de otimização coincidem (um erro insignificante é admissível) e os resultados são idênticos. Isso pode ser explicado por essa otimização consistiu em apenas 1331 pesquisas e essa quantidade de passagens não é suficiente para usar algoritmos genéticos. Eles não têm tempo para acelerar a velocidade - a otimização é mais rápida devido ao rastreamento certamente perdendo combinações de insumos, mas com a quantidade de combinações acima mencionadas, os algoritmos genéticos não podem definir o que os pais (combinações de entradas) geram mau fora da primavera. Então, não há sentido usá-los. 4. Conclusões Os algoritmos genéticos são uma boa adição ao otimizador de 4 estratégias. A otimização é dramaticamente aprimorada se a quantidade de pesquisas for grande, os resultados coincidem com os obtidos por otimização regular. Agora não há sentido usar a busca completa em insumos. Os algoritmos genéticos encontrarão o melhor resultado mais rápido e não menos efetivamente. 5. Afterword Depois de ter escrito o artigo, satisfeito minha curiosidade e lancei otimização do CrossMACDDeLuxe em todas as entradas. A quantidade de combinações feitas em mais de cem milhões (103 306 896). A otimização usando algoritmos genéticos levou apenas 17 horas, enquanto a otimização usando pesquisa em todas as entradas levaria cerca de 35 anos (301 223 horas). As conclusões dependem de você. Um sistema de negociação de Forex com base em um algoritmo genético. Cite este artigo como: Mendes, L. Godinho, P. Dias, J. Heuristics (2012) 18: 627. doi: 10.1007s10732-012-9201- Neste artigo, será descrito um algoritmo genético que visa otimizar um conjunto de regras que constituem um sistema de negociação para o mercado Forex. Cada indivíduo na população representa um conjunto de dez regras comerciais comerciais (cinco para entrar em uma posição e cinco outras para sair). Essas regras têm 31 parâmetros no total, que correspondem aos genes dos indivíduos. A população evoluirá em um determinado ambiente, definido por uma série temporal de um par de moeda específico. A adequação de um determinado indivíduo representa o quão bem ele conseguiu se adaptar ao meio ambiente e é calculado aplicando as regras correspondentes às séries temporais e calculando a relação entre o lucro e a redução máxima (a relação Stirling) . Dois pares de moedas foram utilizados: EURUSD e GBPUSD. Diferentes dados foram utilizados para a evolução da população e para testar os melhores indivíduos. Os resultados alcançados pelo sistema são discutidos. Os melhores indivíduos conseguem alcançar resultados muito bons nas séries de treinamento. Na série de testes, as estratégias desenvolvidas mostram alguma dificuldade em obter resultados positivos, se você levar em consideração os custos de transação. Se você ignorar os custos de transação, os resultados são principalmente positivos, mostrando que os melhores indivíduos possuem alguma capacidade de previsão. Algoritmos genéticos Finanças Relatórios técnicos de negociação Taxas de câmbio Referências Alvarez-Diaz, M. Alvarez, A. Previsão de taxas de câmbio usando algoritmos genéticos. Appl. Econ. Lett. 10 (6), 319322 (2003) CrossRef Google Scholar Brabazon, A. ONeill, M. Evolução das regras técnicas de negociação para mercados cambiais spot usando a evolução gramatical. Comput. Manejo. Sci. 1 (3), 311327 (2004) MATH CrossRef Google Scholar Davis, L. Manual de Algoritmos Genéticos. Van Nostrand-Reinhold, Nova Iorque (1991) Google Scholar Dempster, M. A.H. Jones, C. M. Um sistema de comércio adaptativo em tempo real usando programação genética. Quant. Finanças 1 (4), 397413 (2001) CrossRef Google Scholar Dunis, C. Harris, A. et al. Otimizando modelos de negociação intradiária com algoritmos genéticos. Neural Netw. World 9 (3), 193223 (1999) Google Scholar Eling, M. Schuhmacher, F. A escolha da medida de desempenho influencia a avaliação de hedge funds J. Bank. Finanças 31 (9), 26322647 (2007) CrossRef Google Scholar Fama, E. F. Mercados de capitais eficientes: uma revisão da teoria e do trabalho empírico. J. Finance 25 (2), 383417 (1970) CrossRef Google Scholar Goldberg, D. Algoritmos genéticos em busca, otimização e aprendizado de máquina. Addison-Wesley, Reading (1989) MATH Google Scholar Grefenstette, J. J. Algoritmos genéticos para ambientes em mudança. In: Parallel Problem Solving from Nature 2, Bruxelas (1992) Google Scholar Harding, D. Nakou, G. et al. Os prós e contras da redução como uma medida estatística de risco para investimentos. AIMA Journal, abril de 1617 (2003) Google Scholar Hirabayashi, A. Aranha, C. et al. Otimização da regra comercial em moeda estrangeira usando o algoritmo genético. Em: Procedimentos da 11ª Conferência Anual sobre Computação Genética e Evolutiva GECCO09 (2009) Google Scholar Hryshko, A. Downs, T. Sistema de negociação cambial usando algoritmos genéticos e aprendizagem de reforço. Int. J. Syst. Sci. 35 (13), 763774 (2004) MATH CrossRef Google Scholar Kaboudan, M. A. Previsão de programação genética dos preços das ações. Comput. Econ. 16 (3), 207236 (2000) MATH CrossRef Google Scholar LeBaron, B. Rentabilidade da regra de negociação técnica e intervenção cambial. J. Int. Econ. 49 (1), 125143 (1999) CrossRef Google Scholar LeBaron, B. Rentabilidade comercial comercial nos mercados de câmbio na década de 1990 (2002) Levich, R. M. Thomas, L. R. O significado dos lucros técnicos da regra de negociação no mercado cambial: uma abordagem de bootstrap. J. Int. Money Financ. 12 (5), 451474 (1993) CrossRef Google Scholar Menkhoff, L. Taylor, M. P. A obstinada paixão dos profissionais estrangeiros: análise técnica. J. Econ. Aceso. 45 (4), 936972 (2007) CrossRef Google Scholar Meyers, T. A. O Curso de Análise Técnica. McGraw-Hill, Nova Iorque (1989) Google Scholar Mitchell, M. Uma Introdução aos Algoritmos Genéticos. MIT Press, Cambridge (1996) Google Scholar Neely, C. Weller, P. Intraday negociação técnica no mercado de câmbio. J. Int. Money Financ. 22 (2), 223237 (2003) CrossRef Google Scholar Neely, C. Weller, P. et al. A análise técnica no mercado de câmbio é rentável Uma abordagem de programação genética. J. Financ. Quant. Anal. 32 (4), 405426 (1997) CrossRef Google Scholar Neely, C. J. Weller, P. A. Et al. A hipótese dos mercados adaptativos: evidência do mercado cambial. J. Financ. Quant. Anal. 44 (02), 467488 (2009) CrossRef Google Scholar Olson, D. Os lucros das regras de negociação nos mercados cambiais diminuíram ao longo do tempo J. Bank. Finanças 28 (1), 85105 (2004) CrossRef Google Scholar Osman, I. H. Kelly, J. P. Meta-heurística: aplicações de amplificação de teoria. Kluwer Academic, Dordrecht (1996) MATH Google Scholar Park, C.-H. Irwin, S. H. O que sabemos sobre a rentabilidade da análise técnica J. Econ. Surv. 21 (4), 786826 (2007) CrossRef Google Scholar Pictet, O. V. Dacorogna, M. M. Et al. Usando algoritmos genéticos para otimização robusta em aplicações financeiras. Neural Netw. World 5 (4), 573587 (1995) Google Scholar Reeves, C. R. Usando algoritmos genéticos com pequenas populações. In: Procedimentos da Quinta Conferência Internacional sobre Algoritmos Genéticos. Morgan Kaufmann, San Mateo (1993) Google Scholar Rothlauf, F. Goldberg, D. Representações redundantes na computação evolutiva. Relatório do Laboratório de Algoritmos Genéticos de Illinois (IlliGAL) (2002) Schulmeister, S. Componentes da rentabilidade do comércio de moeda técnica. Appl. Financ. Econ. 18 (11), 917930 (2008) CrossRef Google Scholar Sweeney, R. J. Batendo o mercado cambial. J. Finanças 41 (1), 163182 (1986) Google Scholar Wilson, G. Banzhaf, W. Interday troca cambial usando programação genética linear. Em: Procedimentos da 12ª Conferência Anual sobre Computação Genética e Evolutiva GECCO10 (2010) Google Scholar Informação de direitos autorais Springer ScienceBusiness Media, LLC 2012 Autores e Afiliações Lus Mendes 1 Pedro Godinho 2 Joana Dias 3 Email autor 1. Faculdade de Economia Universidade de Coimbra Coimbra Portugal 2. Faculdade de Economia e GEMF Universidade de Coimbra Coimbra Portugal 3. Faculdade de Economia e Inesc-Coimbra Universidade de Coimbra Coimbra Portugal Sobre este artigoUtilizando Algoritmos Genéticos Para Previsão de Mercados Financeiros Burton sugeriu em seu livro A 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 is Pundits.)