في مقال سابق ، بدأت بمقارنة طرق التحسين البارامترية ، أي اختيار المعلمات ، وتقييم ربحية تداول الروبوت خلال الاختبار الخلفي اللاحق. اتضح أن طريقة مونت كارلو العادية - توليد مجموعات عشوائية غير مترابطة من معلمات الروبوت - تعمل بشكل جيد. أريد الآن اختبار خوارزمية شائعة ، بما في ذلك خوارزمية في مجتمع تجار البرمجة: خوارزمية التحسين الوراثي .

خوارزمية جينية لتحسين استراتيجية التداول

سننظر في هذه الخوارزمية كمثال على تحسين معلمتين. المعلمات المحسنة لروبوتنا هي فترة المتوسط المتحرك و TakeProfit . لمزيد من الانغماس في "علم الوراثة" ، دعونا نتفق على تسمية فترة المتوسط المتحرك الجين المسؤول عن "النمو" ، و TakeProfit - جين "لون العين".

في مساحة قيم المعلمات المقبولة ، في كل نقطة ، يصف كل زوج من الإحداثيات - "لون / ارتفاع العين" نظريًا "فرد" واحد. لنفترض أننا أنشأنا 10 أفراد بشكل عشوائي. كانت هذه هي الخطوة الأولى من خوارزمية التحسين الوراثي - لإنشاء الجيل الأول:

في الفضاء الإحداثي M - T ، يتم تحديد النقاط بشكل عشوائي. على سبيل المثال ، النقطتان اللتان تم تمييزهما بإطار أحمر هما "أفراد" بأسماء محايدة جنسانيا (هذه نقطة مهمة!) Zhenya و Sasha. "نمو" ساشا (في الصيغة الأولية للمشكلة هو متوسط الفترة المتحركة) هو 11 وحدة ، "لون العين" هو 0.6 (عيون خضراء زرقاء). Zhenya يختلف قليلاً في المعلمات. تصف نفس الخصائص الأفراد الثمانية المتبقين.

الخطوة الثانية هي التكاثر

من الجيل الأول بأكمله ، نحدد عددًا معينًا من أنجح الأفراد. المعيار ، بوضوح ، هو قيمة CF. هؤلاء الأفراد سوف يولدون أزواجًا بشكل عشوائي (لهذا السبب ، حصلوا على أسماء محايدة بين الجنسين). بشكل عام ، يمكن تعيين عدد من القواعد لمطابقة الأزواج. على سبيل المثال ، لتحديد الأفراد القريبين في الخصائص (أي حرفيا ، الأقرب في مساحة الإحداثيات) من الأفراد - التزاوج. يمكنك ، على العكس من ذلك ، البحث عن الأضداد (التكاثر). لم أتمكن من العثور على حجج لصالح أحد هذه الخيارات - في تنفيذي ، يتم تشكيل الأزواج بصرامة عن طريق الصدفة ... على سبيل المثال ، اجتازت Zhenya و Sasha المؤهل وقررتا أن تنجب سليل. ماذا يعني هذا في سياقنا:

من شخصين "أبوين" نحصل على الفرد الثالث ، الذي يرث جزءًا من خصائص أحد الوالدين ، وجزء من الآخر. على سبيل المثال ، أنجبت Zhenya و Sasha فردًا من Nikita (Nikita ، Nikita؟):

ورث نيكيتا علامة "لون العين" (معلمة TakeProfit للروبوت) من أحد والديه - "Zhenya" ،
"النمو" (فترة المتوسط المتحرك للروبوت) ورث نيكيتا من "ساشا" ... ولكن تم تعديله قليلاً في اتجاه والد آخر ، زينيا.

والحقيقة هي أنه كلما صغر حجم مساحة التحسين (في حالتنا يساوي 2) ، كلما كان النسل "أقرب". لا تحدد خوارزمية التحسين الجيني بدقة قواعد "وراثة" الجينات لفرد ابنة. لذلك ، بشكل عشوائي ، استعار نيكيتا لون عينيه دون أي تغييرات ، لكنه تبين أنه في الوسط بين كلا الوالدين ، أقرب إلى أحدهما. في تنفيذي ، بنفس النجاح ، يمكن أن يقترض نيكيتا المعلمات الأصلية من كلا الوالدين.

الخطوة الثالثة هي التكاثر

المحرك للعملية التطورية ، الانتقاء الطبيعي. أعطى 4 من أصل أفضل 10 أفراد 10 أحفاد أكثر. الآن لدينا 20 فردا. تتضمن خوارزمية التحسين الوراثي الحفاظ على حجم سكان ثابت. 10 أفراد يجب أن يموتوا. في هذا التطبيق ، "يموت" معظم أفراد الجيل الأول ، من 80٪ إلى 100٪.
وفقًا لذلك ، في مثالنا ، سيتكون الجيل الجديد من 0 ... والدين و 8 - 10 من نسلهم. بمعنى آخر ، إذا حذفت الكلمات ، فسيتم حساب المتجهات الجديدة لمعلمات الروبوت التجاري من المتجهات التي تم الحصول عليها في الخطوة السابقة ، "الانتشار" (توليفة) من أفضل 4 اختبارات. لن يقبل معظم "كبار السن" المشاركة في تكرار الاختيار الجديد (من الممكن تنفيذ خيارات أخرى).

إكمال الخوارزمية

يتم تكرار الاستنساخ والاختيار مرات N. على وجه التحديد ، في مثالنا ، للمقارنة مع ثلاث خوارزميات تم اختبارها مسبقًا ، يتم اختبار 4 أجيال من 10 أفراد ، أي ما مجموعه 40 اختبارًا.
ولكن قد يحدث أن ينهار سكان آخرون. وبعبارة أخرى ، ستكون جميع الاختبارات بالقرب من عدة نقاط. لتجنب هذا الوضع ، يتم استخدام العديد من الآليات ، على وجه الخصوص:

ضخ "الدم الطازج" إلى السكان. إلى أحفاد السكان الحاليين يتم إضافة العديد من الأفراد الجدد الذين تم الحصول عليهم عن طريق الصدفة ، بنفس الطريقة التي تم بها تشكيل السكان الأوليين ،
آلية التحور: قد يكون لدى فرد النسل بعض الخصائص (الإحداثيات) المختلفة قليلاً عن خصائص والديه:

في هذا المثال

صفات السليل جين وجوس - "النمو" و "لون العين" يتم استعارتهما من كل من الوالدين ،
تختلف خصائص نسل Sam و Siri إلى حد ما عن الخصائص المقابلة لكلا الأبوين.

في تنفيذي ، على الرغم من الطفرات و "الأفراد الجدد" ، كان يجب تحديث السكان بشكل دوري ككل لتجنب التقارب المبكر ، وتوطين السكان بالكامل في مساحة محدودة.

إذا عدنا إلى البيانات الأصلية التي اختبرنا عليها خوارزميات مونت كارلو ، وهبوط التدرج ، والخوارزمية التي تحمل اسم العمل "معركة بحرية" ، فيمكن توضيح عملية التحسين من خلال الرسوم المتحركة التالية:

كما ترى من الرسوم المتحركة ، في البداية يكون ترتيب النقاط فوضوياً ، ولكن مع الأجيال اللاحقة ، يميل إلى مناطق ذات قيم أعلى من DF.

قارن الآن الخوارزميات على نفس السطح: P = f ( M ، T ):

مونتي كارلو	أصل متدرج	"معركة بحرية"	الخوارزمية الجينية
95.7٪	92.1٪	97.0٪	96.8٪

متوسط قيمة الطرف الأقصى من CF كنسبة مئوية من القيمة العالمية.

بالطبع ، من السابق لأوانه الحكم على مجموعة واحدة من بيانات الإدخال ، ولكن حتى الآن ، فيما يتعلق بروبوت التداول لدينا ، أقل شأنا من خوارزمية "المعركة البحرية":

بشكل غير مهم - بمتوسط القيمة شبه المثلى التي تم العثور عليها من التليف الكيسي ،
يعطي أسوأ تقدير للاستقرار البارامي لخوارزمية التداول ، لأنه لا "يبحث" في محيط المعلمات شبه المثلى الموجودة بتفاصيل قليلة جدًا.

الاختبار النهائي ل 4 خوارزميات التحسين

تم إجراء الاختبار النهائي على 4 مجموعات من بيانات الإدخال - نتائج الاختبار الخلفي لاستراتيجية التداول في 4 قطاعات مختلفة من تاريخ الأسعار ( EURUSD : 2016 ، EURUSD: 2017 ، XAUUSD : 2016 ، XAUUSD: 2017).

(أمثلة للمرشحات الرقمية كدالة لمعلمتين لأربع سلاسل زمنية للأسعار)

هذه المرة ، تم تنفيذ التحسين وفقًا لثلاث معلمات:

فترة المتوسط المتحرك "السريع"
فترة المتوسط المتحرك "البطيء"
TakeProfit (الربح على المعاملة ، بالنسبة المئوية ، عند الوصول إلى الصفقة التي تم إنجازها).

أخذت كل من المعلمات 20 قيمة مختلفة. الإجمالي لبناء الجدول
P = F (Mf ، Ms ، T)
حيث P هو الربح ، و Mf هي فترة المتوسط المتحرك "السريع" ، و Ms هي فترة المتوسط المتحرك "البطيء" ، و T هي TakeProfit ،
20 * 20 * 20 = تم إجراء 8000 تكرار اختبار.

تم تنفيذ التحسين مع تقييد 160 و 400 و 800 اختبار (حسابات DF في الإحداثيات المحددة). في كل مرة ، تم حساب متوسط النتائج لـ 1000 تكرار تحسين. كان متوسط قيمة DF للمتجه شبه المثلى للمعلمات:

مونتي كارلو	أصل متدرج	"معركة بحرية"	الخوارزمية الجينية
84.1٪	83.9٪	77.0٪	92.6٪

بشكل منفصل ، تجدر الإشارة إلى أن GA تظهر نتيجة جيدة حتى مع نسبة صغيرة من الاختبارات لإجمالي عدد ممكن من الخيارات:

الاختبارات	مونتي كارلو	أصل متدرج	"معركة بحرية"	الخوارزمية الجينية
160 من أصل 8000	79.1٪	76.7٪	73.1٪	87.7٪
400 من أصل 8000	84.7٪	85.0٪	77.4٪	93.7٪
800 من أصل 8000	88.6٪	90.1٪	80.4٪	96.3٪

بدلا من الاستنتاج

لقد فوجئت إلى حد ما بالنتيجة ، التي أظهرت خوارزمية التحسين الوراثي. لا أعتقد أن "النموذج الجيني" للطريقة على وجه التحديد قد زوده بالمركز الأول في القائمة. إلى حد ما ، وفقًا لمنطق اختيار الإحداثيات ، كان يشبه طرق الانقسام / النسبة الذهبية. ربما يجدر تجربة إحدى هذه الخوارزميات ومقارنة GA بها.

بالعودة إلى روبوت التداول ، تجدر الإشارة إلى كيف يتغير "ارتياح" السطح الذي تشكله CF (الربح) من عام إلى آخر. أي أنه بعد "تحسين" الروبوت في تاريخ عام 2017 ، لا معنى لتطبيق هذه الإعدادات في 2018 (الربع الأول ، الشهر ، الأسبوع ... 2018).

من المحتمل أن استراتيجيات التداول الصناعية والعقيدة والعاجزة مثل استراتيجياتنا (الشراء عند تقاطع المتوسط المتحرك) لن تفقد أسلوبها قريبًا. لسوء الحظ ، لم يكن لدي أي استراتيجيات أخرى. وبناءً على ذلك ، فإنني أعزو ربح أو خسارة الروبوتات التجارية إلى الحظ بدلاً من مزايا / عيوب الخوارزمية. لذلك ، فإن مهمة التحسين البارامترية لروبوت التداول هي بالنسبة لي شخصيًا حصريًا ذات اهتمام أكاديمي.

تحسين روبوت التداول: خوارزمية جينية