Algoritmos Genéticos Forex

VII. Parámetros de GA Crossover y Mutación Probabilidad Hay dos parámetros básicos de GA - crossover probabilidad y probabilidad de mutación. La probabilidad de crossover indica la frecuencia con la que se realizará el cruce. Si no hay crossover, la descendencia es copia exacta de los padres. Si hay un crossover, la descendencia se hace de partes del cromosoma de los padres. Si la probabilidad de crossover es 100. Entonces todos los descendientes son hechos por crossover. Si es 0. Toda la nueva generación se hace a partir de copias exactas de los cromosomas de la población de edad (pero esto no significa que la nueva generación es la misma). El crossover se hace con la esperanza de que los nuevos cromosomas tengan buenas partes de cromosomas viejos y tal vez los nuevos cromosomas sean mejores. Sin embargo es bueno dejar parte de la población sobrevivir a la próxima generación. La probabilidad de mutación indica la frecuencia con la que las partes del cromosoma serán mutadas. Si no hay mutación, la descendencia se toma después del cruce (o copia) sin ningún cambio. Si se realiza mutación, se cambia parte del cromosoma. Si la probabilidad de mutación es 100. Todo el cromosoma se cambia, si es 0. Nada cambia. La mutación se hace para evitar que caiga GA en extremo local, pero no debe ocurrir muy a menudo, porque entonces GA cambiará de hecho a la búsqueda al azar. Otros Parámetros Hay también otros parámetros de GA. Otro parámetro importante es el tamaño de la población. El tamaño de la población indica cuántos cromosomas hay en la población (en una generación). Si hay muy pocos cromosomas, GA tiene pocas posibilidades de realizar crossover y sólo una pequeña parte del espacio de búsqueda se explora. Por otro lado, si hay demasiados cromosomas, GA se ralentiza. La investigación muestra que después de algún límite (que depende principalmente de la codificación y el problema) no es útil para aumentar el tamaño de la población, ya que no hace que la solución del problema más rápido. Algunas recomendaciones para todos los parámetros se pueden encontrar en uno de los siguientes capítulos. Ejemplo Aquí puede ver un ejemplo similar al anterior. Pero aquí puede intentar cambiar la probabilidad de cruzamiento y mutación. También puede controlar el elitismo. En el siguiente gráfico se puede ver el rendimiento de GA. El rojo es la mejor solución, el azul es el valor promedio (aptitud) de toda la población. Trate de cambiar los parámetros y ver cómo se comporta GA. Aquí está el applet, pero su navegador no es compatible con Java. Si desea ver los applets, compruebe los requisitos del navegador. Pregunta: Si intenta aumentar la probabilidad de mutación a 100, GA comenzará a comportarse muy extraño, casi como si la probabilidad de mutación es 0. ¿Sabe por qué puede usar una pista y si todavía no lo sabe, observe la solución A Sistema de comercio de Forex basado en un algoritmo genético En línea: 04 de abril de 2012 Recibido: 20 de abril de 2010 Aceptado: 21 de marzo de 2012 Citar este artículo como: Mendes, L. Godinho, P. Dias, J. J Heuristics (2012) 18: 627. En este trabajo se describirá un algoritmo genético que tiene como objetivo optimizar un conjunto de reglas que constituyen un sistema de trading para el mercado de divisas. Cada individuo de la población representa un conjunto de diez reglas técnicas de negociación (cinco para entrar en una posición y otras cinco para salir). Estas reglas tienen 31 parámetros en total, que corresponden a los genes individuales. La población evolucionará en un entorno determinado, definida por una serie temporal de un par de divisas específico. La idoneidad de un determinado individuo representa lo bien que ha podido adaptarse al medio ambiente, y se calcula aplicando las reglas correspondientes a la serie cronológica, y luego calculando la relación entre el beneficio y la reducción máxima (la relación de Stirling) . Se han utilizado dos pares de divisas: EUR / USD y GBP / USD. Se utilizaron diferentes datos para la evolución de la población y para la prueba de los mejores individuos. Se discuten los resultados obtenidos por el sistema. Las mejores personas son capaces de lograr muy buenos resultados en la serie de entrenamiento. En la serie de pruebas, las estrategias desarrolladas muestran cierta dificultad para lograr resultados positivos, si se tienen en cuenta los costos de transacción. Si se ignoran los costos de transacción, los resultados son en su mayoría positivos, lo que demuestra que las mejores personas tienen alguna capacidad de pronóstico. Alvarez-Díaz, M. Alvarez, A. Pronosticando tipos de cambio utilizando algoritmos genéticos. Appl. Econ. Letón. 10 (6), 319322 (2003) CrossRef Google Scholar Brabazon, A. ONeill, M. Evolución de las normas técnicas de comercio de los mercados de divisas a la vista utilizando la evolución gramatical. Comput. Manag. Sci. 1 (3), 311327 (2004) MATEMÁTICAS CrossRef Google Scholar Davis, L. Manual de Algoritmos Genéticos. Van Nostrand-Reinhold, Nueva York (1991) Google Scholar Dempster, M. A.H. Jones, C. M. Un sistema de comercio adaptativo en tiempo real que utiliza la programación genética. Cantidad. Finanzas 1 (4), 397413 (2001) CrossRef Google Scholar Dunis, C. Harris, A. et al. Optimización de los modelos de trading intradía con algoritmos genéticos. Red Neural Eling, M. Schuhmacher, F. ¿La medida de la elección de los resultados influye en la evaluación de los fondos de cobertura J. Bank. Finanzas 31 (9), 26322647 (2007) CrossRef Google Scholar Fama, E. F. Eficiente de los mercados de capitales: una revisión de la teoría y el trabajo empírico. J. Finanzas 25 (2), 383417 (1970) CrossRef Google Scholar Goldberg, D. Algoritmos genéticos en la búsqueda, optimización y aprendizaje de máquinas. Addison-Wesley, Reading (1989) MATH Google Académico Grefenstette, J. J. Algoritmos genéticos para cambiar ambientes. En: Solución de problemas paralelos de Nature 2, Bruselas (1992) Google Scholar Harding, D. Nakou, G. et al. Los pros y los contras de la reducción como una medida estadística de riesgo para las inversiones. AIMA Journal, April 1617 (2003) Google Académico Hirabayashi, A. Aranha, C. et al. Optimización de la regla comercial en divisas usando algoritmo genético. Hryshko, A. Downs, T. Sistema de intercambio de divisas utilizando algoritmos genéticos y aprendizaje de refuerzo. Int. J. Syst. Sci. 35 (13), 763774 (2004) MATH CrossRef Google Académico Kaboudan, M. A. Predicción de la programación genética de precios de las acciones. Comput. Econ. 16 (3), 207236 (2000) MATH CrossRef Google Scholar LeBaron, B. Rentabilidad técnica de la regla de negociación e intervención en divisas. J. Int. Econ. 49 (1), 125143 (1999) CrossRef Google Scholar LeBaron, B. Rentabilidad técnica del comercio en los mercados de divisas en los años noventa (2002) Levich, R. M. Thomas, L. R. La importancia de las ganancias técnicas de las reglas de negociación en el mercado de divisas: un enfoque de "bootstrap". J. Int. Dinero Financ. 12 (5), 451474 (1993) CrossRef Google Scholar Menkhoff, L. Taylor, M. P. La pasión obstinada de los profesionales de cambio: análisis técnico. J. Econ. Iluminado. 45 (4), 936972 (2007) CrossRef Google Académico Meyers, T. A. El Curso de Análisis Técnico. McGraw-Hill, Nueva York (1989) Google Scholar Mitchell, M. Introducción a Algoritmos Genéticos. MIT Press, Cambridge (1996) Google Académico Neely, C. Weller, P. Negociación intradía técnica en el mercado de divisas. J. Int. Dinero Financ. 22 (2), 223237 (2003) CrossRef Google Académico Neely, C. Weller, P. et al. Es el análisis técnico en el mercado de divisas rentable Un enfoque de programación genética. J. Financ. Cantidad. Anal. 32 (4), 405426 (1997) CrossRef Google Académico Neely, C. J. Weller, P. A. Et al. La hipótesis de los mercados adaptativos: evidencia del mercado de divisas. J. Financ. Cantidad. Anal. D. ¿Las ganancias de las reglas de negociación en los mercados de divisas han disminuido con el tiempo? Finanzas 28 (1), 85105 (2004) CrossRef Google Scholar Osman, I. H. Kelly, J. P. Meta-Heurística: Aplicaciones de la teoría y del amplificador. Kluwer Académico, Dordrecht (1996) MATH Google Scholar Park, C.-H. Irwin, S. H. ¿Qué sabemos sobre la rentabilidad del análisis técnico J. Econ. Surv. 21 (4), 786826 (2007) CrossRef Google Scholar Pictet, O. V. Dacorogna, M. M. Et al. Usando algoritmos genéticos para optimización robusta en aplicaciones financieras. Red Neural World 5 (4), 573587 (1995) Google Scholar Reeves, C. R. Usando algoritmos genéticos con poblaciones pequeñas. En: Actas de la Quinta Conferencia Internacional sobre Algoritmos Genéticos. Morgan Kaufmann, San Mateo (1993) Google Académico Rothlauf, F. Goldberg, D. Representaciones redundantes en la computación evolutiva. Illinois Laboratorio de Algoritmos Genéticos (IlliGAL) Informe (2002) Schulmeister, S. Componentes de la rentabilidad del comercio de divisas técnicas. Appl. Financ. Econ. 18 (11), 917930 (2008) CrossRef Google Scholar Sweeney, R. J. Superando el mercado de divisas. J. Finanzas 41 (1), 163182 (1986) Google Académico Wilson, G. Banzhaf, W. Interday intercambio de divisas utilizando la programación genética lineal. En: Actas de la XII Conferencia Anual sobre Computación Genética y Evolutiva GECCO10 (2010) Google Scholar Información sobre el copyright Springer ScienceBusiness Media, LLC 2012 Autores y afiliaciones Lus Mendes 1 Pedro Godinho 2 Joana Dias 3 Facultad de Economía Universidad de Coimbra Coimbra Portugal 2. Facultad de Economía y GEMF Universidad de Coimbra Coimbra Portugal 3. Facultad de Economía e Inesc-Coimbra Universidad de Coimbra Coimbra Portugal Acerca de este artículo Imprimir ISSN 1381-1231 Online ISSN 1572-9397 Nombre del editor Springer USTrade con Inteligencia utilizando TradingSolutions TradingSolutions combina Análisis técnico con tecnologías de inteligencia artificial (AI) que utilizan redes neuronales y algoritmos genéticos para aprender patrones a partir de datos históricos y optimizar parámetros del sistema. Este software comercial funciona con acciones, futuros, divisas (FOREX) y muchos otros instrumentos financieros. También puede construir sistemas para los mercados estadounidenses e internacionales. Más de 300 de los indicadores técnicos más populares. Muestra probada y rendimiento del cliente. Soporte de datos líder en la industria de eSignal. Interactive Brokers y muchos más Propietario Tecnología de señal óptima. Soporte técnico gratuito. 100 sistemas libres y modelos pre-construidos de la red neuronal. Utilizado con éxito en más de 66 países de todo el mundo. 30 días de garantía de devolución de dinero.