पिछले लेख में, मैंने पैरामीट्रिक ऑप्टिमाइज़ेशन के तरीकों की तुलना करना शुरू किया था, अर्थात्, मापदंडों का चयन करते हुए, बाद के बैकस्ट के दौरान रोबोट की ट्रेडिंग की लाभप्रदता का मूल्यांकन किया। यह निकला कि मोंटे कार्लो विधि - रोबोट मापदंडों के यादृच्छिक असंबद्ध संयोजन की पीढ़ी - काफी अच्छी तरह से काम करती है। अब मैं एक लोकप्रिय एल्गोरिदम का परीक्षण करना चाहता हूं, जिसमें प्रोग्रामिंग व्यापारियों के समुदाय में एक भी शामिल है: आनुवंशिक अनुकूलन एल्गोरिदम ।

एक ट्रेडिंग रणनीति के अनुकूलन के लिए आनुवंशिक एल्गोरिथम

हम इस एल्गोरिथ्म को 2 मापदंडों के अनुकूलन के उदाहरण के रूप में मानेंगे। हमारे रोबोट के अनुकूलित पैरामीटर मूविंग एवरेज और टेकप्रोफिट की अवधि हैं। "आनुवांशिकी" में अधिक से अधिक विसर्जन के लिए, चलिए "विकास" के लिए जिम्मेदार जीन के मूविंग एवरेज की अवधि को कॉल करने के लिए सहमत होते हैं, और टेकप्रोफिट - "आंखों के रंग" के लिए जीन।

स्वीकार्य पैरामीटर मानों के स्थान पर, प्रत्येक बिंदु, निर्देशांक की प्रत्येक जोड़ी - "ऊंचाई / आंख का रंग" सैद्धांतिक रूप से एक "व्यक्तिगत" का वर्णन करता है। मान लीजिए कि हमने यादृच्छिक रूप से 10 व्यक्तियों को बनाया है। यह आनुवंशिक अनुकूलन एल्गोरिथम का पहला चरण था - पहली पीढ़ी बनाने के लिए:

समन्वित अंतरिक्ष एम - टी में, अंक यादृच्छिक रूप से चुने जाते हैं। उदाहरण के लिए, एक लाल फ्रेम के साथ चिह्नित दो डॉट्स लिंग-तटस्थ नामों के साथ "व्यक्ति" हैं (यह एक महत्वपूर्ण बिंदु है!) झुनिया और साशा। साशा की "वृद्धि" (समस्या के प्रारंभिक सूत्रीकरण में चलती औसत अवधि है) 11 इकाइयाँ हैं, "आँख का रंग" 0.6 (हरा-नीला आँखें) है। झेन्या मापदंडों में थोड़ा अलग है। वही विशेषताएँ 8 शेष व्यक्तियों का वर्णन करती हैं।

दूसरा चरण प्रजनन है

पूरी पहली पीढ़ी से, हम "सफल" व्यक्तियों की एक निश्चित संख्या निर्धारित करते हैं। कसौटी, स्पष्ट रूप से, सीएफ का मूल्य है । ये व्यक्ति प्रजनन करेंगे, बेतरतीब ढंग से जोड़े बनाएंगे (इस कारण से, उन्हें लिंग-तटस्थ नाम प्राप्त हुए)। सामान्य तौर पर, जोड़े के मिलान के लिए कई नियम निर्धारित किए जा सकते हैं। उदाहरण के लिए, उन व्यक्तियों का चयन करना जो विशेषताओं में करीब हैं (यानी, सचमुच, समन्वय स्थान में निकटतम) व्यक्तियों के लिए - इनब्रीडिंग। आप, इसके विपरीत, विपरीत (आउटब्रेडिंग) की तलाश कर सकते हैं। मैं इनमें से किसी एक विकल्प के पक्ष में तर्क नहीं पा सका - मेरे कार्यान्वयन में जोड़े दुर्घटना से सख्ती से बनते हैं ... उदाहरण के लिए, झेन्या और साशा ने योग्यता उत्तीर्ण की और एक वंशज को जन्म देने का फैसला किया। हमारे संदर्भ में इसका क्या अर्थ है:

दो "पैतृक" व्यक्तियों से, हम तीसरे व्यक्ति को प्राप्त करते हैं, जो एक माता-पिता की विशेषताओं का हिस्सा होता है, दूसरे का हिस्सा। उदाहरण के लिए, झेन्या और साशा ने एक व्यक्तिगत निकिता (निकिता, निकिता?) को जन्म दिया?

निकिता को अपने माता-पिता में से एक "आंख का रंग" (रोबोट का टेकप्रोफिट पैरामीटर) विरासत में मिला है - "झीना",
"ग्रोथ" (चलती औसत रोबोट की अवधि) निकिता "साशा" से विरासत में मिली ... लेकिन थोड़ा और माता-पिता, जेन्या की दिशा में समायोजित।

तथ्य यह है कि अनुकूलन स्थान का छोटा आयाम (हमारे मामले में यह 2 के बराबर है), "संतान" करीब होगा। आनुवंशिक अनुकूलन एल्गोरिथ्म एक बेटी व्यक्ति के लिए जीन के "वंशानुक्रम" के नियमों को कड़ाई से निर्धारित नहीं करता है। इसलिए, बेतरतीब ढंग से, निकिता ने बिना किसी बदलाव के अपनी आँखों का रंग उधार लिया, लेकिन वह माता-पिता दोनों के बीच में से एक के करीब हो गई। मेरे कार्यान्वयन में, एक ही सफलता के साथ, निकिता माता-पिता दोनों से मूल मापदंडों को उधार ले सकती थी।

तीसरा चरण प्रजनन है

विकासवादी प्रक्रिया का प्रेमी, प्राकृतिक चयन। 10 सर्वश्रेष्ठ व्यक्तियों में से 4 ने 10 और वंशज दिए। अब हमारे पास 20 व्यक्ति हैं। आनुवंशिक अनुकूलन एल्गोरिथ्म में निरंतर जनसंख्या आकार बनाए रखना शामिल है। 10 व्यक्तियों को "मरना" चाहिए। इस कार्यान्वयन में, पहली पीढ़ी के अधिकांश लोग "मर" जाते हैं, 80% से 100% तक।
तदनुसार, हमारे उदाहरण में, नई पीढ़ी 0 ... 2 माता-पिता और उनके वंश के 8 - 10 से बनी होगी। दूसरे शब्दों में, यदि आप गीत को छोड़ देते हैं, तो ट्रेडिंग रोबोट के मापदंडों के नए वैक्टर की गणना पिछले चरण में प्राप्त वैक्टरों से की जाएगी, जो 4 सर्वश्रेष्ठ सर्वोत्तम परीक्षणों के "प्रसार" (संयोजन) हैं। अधिकांश "पुराने लोग" चयन की नई यात्रा में भागीदारी को स्वीकार नहीं करेंगे (चयन को लागू करने के लिए अन्य विकल्प संभव हैं)।

एल्गोरिथम पूरा करना

प्रजनन और चयन एन बार दोहराया जाता है। विशेष रूप से, हमारे उदाहरण में, तीन पहले से परीक्षण किए गए एल्गोरिदम की तुलना के लिए, 10 व्यक्तियों की 4 पीढ़ियों का परीक्षण किया जाता है, कुल 40 परीक्षण।
लेकिन ऐसा हो सकता है कि एक और आबादी ढह जाएगी। दूसरे शब्दों में, सभी परीक्षण कई बिंदुओं के आसपास के क्षेत्र में होंगे। इस स्थिति से बचने के लिए, कई तंत्रों का उपयोग किया जाता है, विशेष रूप से:

आबादी में "ताजा रक्त" का जलसेक। वर्तमान जनसंख्या के वंशजों को संयोग से प्राप्त कई नए व्यक्ति जोड़े जाते हैं, उसी तरह से जब प्रारंभिक जनसंख्या का गठन किया गया था,
उत्परिवर्तन तंत्र: एक संतान व्यक्ति की कुछ विशेषताएं (निर्देशांक) उसके माता-पिता की विशेषताओं से थोड़ी भिन्न हो सकती हैं:

इस उदाहरण में

वंशज जेन और जॉस की विशेषताएं - "विकास" और "आंखों का रंग" माता-पिता में से प्रत्येक से उधार लिया गया है,
सैम और सिरी की संतानों की विशेषताएं दोनों अभिभावकों के संबंधित विशेषताओं से कुछ अलग हैं।

मेरे कार्यान्वयन में, म्यूटेशन और "ताज़ा व्यक्तियों" के बावजूद, समय से पहले अभिसरण, एक सीमित स्थान में पूरी आबादी के स्थानीयकरण से बचने के लिए जनसंख्या को समग्र रूप से अद्यतन किया जाना था।

यदि हम मूल डेटा पर लौटते हैं, जिस पर हमने मोंटे कार्लो एल्गोरिदम, ग्रेडिएंट डीसेंट और एल्गोरिथ्म का परीक्षण किया है जिसका नाम "समुद्री युद्ध" है, तो अनुकूलन प्रक्रिया को निम्नलिखित एनीमेशन द्वारा चित्रित किया जा सकता है:

जैसा कि आप एनीमेशन से देख सकते हैं, पहले बिंदुओं की व्यवस्था अराजक है, लेकिन, बाद की पीढ़ियों के साथ, डीएफ के उच्च मूल्यों वाले क्षेत्रों में जाता है।

अब एक ही सतह पर एल्गोरिदम की तुलना करें: P = f ( M , T ):

मोंटे कार्लो	क्रमिक वंश	"सागर लड़ाई"	आनुवंशिक एल्गोरिथ्म
95.7%	92.1%	97.0%	96.8%

वैश्विक मूल्य के प्रतिशत के रूप में CF के पाए गए चरम के औसत मूल्य।

बेशक, इनपुट डेटा के एक सेट से न्याय करना जल्दबाजी होगी, लेकिन अभी तक हमारे ट्रेडिंग रोबोट के संबंध में जीए, "समुद्री युद्ध" एल्गोरिथ्म से हीन है:

काफी नगण्य - सीएफ के पाए गए अर्ध-इष्टतम मूल्य के औसत से,
ट्रेडिंग एल्गोरिथ्म के पैरामीट्रिक स्थिरता का सबसे खराब अनुमान देता है, क्योंकि यह बहुत कम विवरण में पाए जाने वाले अर्ध-इष्टतम पैरामीटर ट्यूपल्स के परिवेश की "जांच" नहीं करता है।

4 अनुकूलन एल्गोरिदम का अंतिम परीक्षण

अंतिम परीक्षण इनपुट डेटा के 4 सेटों पर आयोजित किया गया था - मूल्य इतिहास ( EURUSD : 2016, EURUSD: 2017, XAUUSD : 2016, XAUUSD: 2017) के 4 अलग-अलग खंडों पर ट्रेडिंग रणनीति के सबसे पीछे के परिणाम।

(कीमतों के 4 समय श्रृंखला के लिए दो मापदंडों के कार्यों के रूप में डिजिटल फिल्टर के उदाहरण)

इस बार, अनुकूलन 3 मापदंडों के अनुसार किया गया था:

"तेज" चलती औसत की अवधि
"धीमी" चलती औसत की अवधि
टेकप्रोफिट (लेन-देन पर लाभ, प्रतिशत में, जिस पर लेनदेन पूरा हो गया था)।

प्रत्येक पैरामीटर ने 20 अलग-अलग मान लिए। तालिका बनाने के लिए कुल
पी = एफ (एमएफ, एमएस, टी)
जहां P का लाभ है, Mf "फास्ट" मूविंग एवरेज की अवधि है, Ms "स्लो" मूविंग एवरेज की अवधि है, T टेकपॉफिट है,
20 * 20 * 20 = 8,000 परीक्षण पुनरावृत्तियों का प्रदर्शन किया गया।

अनुकूलन 160, 400, और 800 परीक्षणों (चयनित निर्देशांक में DF गणना) के प्रतिबंध के साथ किया गया था। हर बार, परिणाम 1,000 अनुकूलन पुनरावृत्तियों के लिए औसत थे। मापदंडों के पाए गए अर्ध-इष्टतम वेक्टर के लिए औसत DF मूल्य था:

मोंटे कार्लो	क्रमिक वंश	"सागर लड़ाई"	आनुवंशिक एल्गोरिथ्म
84.1%	83.9%	77.0%	92.6%

अलग-अलग, यह ध्यान देने योग्य है कि GA संभावित विकल्पों की कुल संख्या के छोटे प्रतिशत परीक्षणों के साथ भी एक अच्छा परिणाम दिखाता है:

कसौटी	मोंटे कार्लो	क्रमिक वंश	"सागर लड़ाई"	आनुवंशिक एल्गोरिथ्म
8,000 में से 160	79.1%	76.7%	73.1%	87.7%
8,000 में से 400	84.7%	85.0%	77.4%	93.7%
8,000 में से 800	88.6%	90.1%	80.4%	96.3%

एक निष्कर्ष के बजाय

मैं परिणाम से कुछ हैरान था, जिसमें आनुवंशिक अनुकूलन एल्गोरिथ्म दिखाई दिया। मुझे नहीं लगता है कि विशेष रूप से विधि के "आनुवंशिक प्रतिमान" ने उन्हें सूची में पहला स्थान प्रदान किया। एक अर्थ में, निर्देशांक की पसंद के तर्क के अनुसार, यह द्विभाजन / सुनहरे अनुपात के तरीकों से मिलता जुलता था। यह शायद इनमें से एक एल्गोरिदम की कोशिश करने और इसके साथ जीए की तुलना करने के लायक है।

ट्रेडिंग रोबोट पर वापस लौटना, यह ध्यान देने योग्य है कि सीएफ (लाभ) द्वारा गठित सतह की "राहत" किस तरह से साल-दर-साल बदल जाती है। यही है, 2017 के इतिहास पर रोबोट को "अनुकूलित" करने के बाद, 2018 (पहली तिमाही, महीने, सप्ताह ... 2018) में इन सेटिंग्स को लागू करने का कोई मतलब नहीं है ।

हमारी तरह कृत्रिम, हठधर्मिता और असहाय व्यापारिक रणनीतियों (चलती औसत के चौराहे पर खरीद) शायद जल्द ही शैली से बाहर नहीं जाएंगे। दुर्भाग्य से, मेरे पास कोई अन्य रणनीति नहीं है। तदनुसार, मैं एल्गोरिथ्म के फायदे / नुकसान के बजाय ट्रेडिंग रोबोट के लाभ या हानि का श्रेय देता हूं। इसलिए, एक ट्रेडिंग रोबोट के पैरामीट्रिक अनुकूलन का कार्य मेरे लिए व्यक्तिगत रूप से विशेष रूप से शैक्षणिक हित के लिए है।

एक ट्रेडिंग रोबोट का अनुकूलन: एक आनुवंशिक एल्गोरिथ्म