ทางพันธุกรรม ขั้นตอนวิธี การซื้อขาย ระบบ

ระบบเทรดดิ้งจะทำการสร้างระบบเทรดดิ้งในตลาดโดยอัตโนมัติในเวลาไม่กี่นาทีโดยใช้โปรแกรมคอมพิวเตอร์ขั้นสูงที่เรียกว่า AIMGP (Automatic Induction of Machine Code with Genetic Programming) การสร้างระบบการซื้อขายภายในห้องปฏิบัติการระบบการซื้อขาย (Trading System Lab) ทำได้ 3 ขั้นตอนง่ายๆ ขั้นแรกประมวลผลพรีโพรเซสเซอร์แบบเรียบง่ายจะทำงานโดยอัตโนมัติซึ่งจะคัดลอกและประมวลผลข้อมูลที่จำเป็นจากตลาดที่คุณต้องการทำงานก่อน TSL ยอมรับ CSI, MetaStock, AIQ, TradeStation, ข้อมูลอินเทอร์เน็ตฟรี, ASCII, TXT, CSV, CompuTrac, DowJones, FutureSource, TeleChart2000v3, TechTools, XML, ข้อมูลไบนารีและอินเทอร์เน็ตสตรีม ประการที่สองระบบการสร้างระบบการซื้อขาย (Trading System Generator - GP) ใช้เวลาหลายนาทีหรือมากกว่าเพื่อพัฒนาระบบการซื้อขายใหม่ คุณอาจใช้ข้อมูลรูปแบบตัวบ่งชี้ความสัมพันธ์ระหว่างตลาดหรือข้อมูลพื้นฐานของคุณภายใน TSL ประการที่สามระบบเทรดดิ้งที่พัฒนาแล้วจะได้รับการฟอร์แมตเพื่อสร้างสัญญาณระบบการซื้อขายใหม่จากภายใน TradeStation หรือแพลตฟอร์มการซื้อขายอื่น ๆ TSL จะเขียน Easy Language, Java, Assembler, C code, C code และ WealthLab Script Language โดยอัตโนมัติ ระบบการซื้อขายอาจมีการซื้อขายด้วยตนเองซื้อขายผ่านนายหน้าหรือซื้อขายโดยอัตโนมัติ คุณสามารถสร้างระบบการซื้อขายด้วยตัวคุณเองหรือเราสามารถทำเพื่อคุณได้ จากนั้นทั้งคุณหรือนายหน้าของคุณอาจทำการค้าระบบด้วยตนเองหรือโดยอัตโนมัติ โปรแกรมระบบทางเทคนิคของระบบการค้า Labs มีคุณลักษณะหลายอย่างที่ช่วยลดความเป็นไปได้ในการปรับเส้นโค้งหรือการสร้างระบบการซื้อขายที่ไม่ได้ดำเนินการต่อไปในอนาคต ประการแรกระบบการซื้อขายที่มีการพัฒนามีขนาดของพวกเขาถูกตัดทอนให้เหลือน้อยที่สุดโดยใช้สิ่งที่เรียกว่า Parsimony Pressure ซึ่งวาดจากแนวคิดเรื่องความยาวน้อยสุด ดังนั้นระบบการซื้อขายที่เกิดขึ้นจะง่ายที่สุดเท่าที่จะเป็นไปได้และโดยทั่วไปเชื่อได้ว่าระบบการซื้อขายที่ง่ายยิ่งขึ้นก็ยิ่งดีไปกว่านี้ก็จะมีผลต่อไปในอนาคต ประการที่สองการสุ่มนำเข้าสู่กระบวนการวิวัฒนาการซึ่งจะช่วยลดความเป็นไปได้ในการหาทางแก้ปัญหาเฉพาะที่ แต่ไม่เหมาะสมที่สุดในโลก Randomness ถูกนำมาใช้ไม่ใช่แค่การผสมผสานระหว่างวัสดุทางพันธุกรรมที่ใช้ในระบบการซื้อขายที่พัฒนาขึ้นเท่านั้น แต่ยังรวมถึงความดัน Parsimony, Mututation, Crossover และตัวแปรระดับ GP อื่น ๆ ที่สูงขึ้น การทดสอบนอกกลุ่มตัวอย่างจะดำเนินการในระหว่างการฝึกอบรมกับข้อมูลทางสถิติที่นำเสนอทั้งการทดสอบในตัวอย่างและการทดสอบระบบซื้อขายตัวอย่าง บันทึกการทำงานจะถูกนำเสนอแก่ผู้ใช้สำหรับการฝึกอบรมการตรวจสอบและข้อมูลตัวอย่าง ความประพฤติดีดีกว่าประสิทธิภาพของตัวอย่างอาจบ่งบอกได้ว่าระบบการซื้อขายมีการพัฒนาที่มีลักษณะที่แข็งแกร่ง การเสื่อมสภาพอย่างมากในการทดสอบตัวอย่างนอกจากการทดสอบตัวอย่างโดยอัตโนมัติเมื่อเทียบกับการทดสอบในตัวอย่างอาจบ่งบอกว่าการสร้างระบบการซื้อขายที่มีข้อสงสัยหรือว่า Terminal หรือชุดข้อมูลอินพุตอาจต้องมีการเปลี่ยนแปลง สุดท้ายเทอร์มินัล Set ได้รับการคัดเลือกอย่างรอบคอบเพื่อไม่ให้เกิดอคติมากเกินไปในการคัดเลือกวัตถุดิบทางพันธุกรรมเริ่มแรกสู่ความอคติและความเชื่อมั่นในตลาดโดยเฉพาะ TSL ไม่เริ่มทำงานด้วยระบบการซื้อขายล่วงหน้าที่กำหนดไว้ ในความเป็นจริงแล้วในตอนแรกจะมีการตั้งค่า Input Set และการเลือกโหมดการเข้าสู่ตลาดหรือโหมดสำหรับการค้นหาและกำหนดการเข้าโดยอัตโนมัติ อาจใช้รูปแบบหรือตัวบ่งชี้ที่อาจคิดว่าเป็นสถานการณ์รั้นโดยทิ้งหรือกลับภายใน GP ไม่มีรูปแบบหรือตัวบ่งชี้ใด ๆ ที่กำหนดไว้ล่วงหน้าสำหรับความลำเอียงด้านการเคลื่อนไหวของตลาดโดยเฉพาะ นี่เป็นการเดินทางที่รุนแรงจากการพัฒนาระบบการซื้อขายด้วยตนเอง ระบบการซื้อขายเป็นชุดคำแนะนำที่บอกผู้ค้าเมื่อซื้อหรือขายตลาดใด คำแนะนำเหล่านี้ไม่ค่อยต้องการการแทรกแซงโดยผู้ประกอบการค้า ระบบเทรดดิ้งอาจซื้อขายด้วยตนเองโดยการเฝ้าติดตามคำแนะนำการซื้อขายบนหน้าจอคอมพิวเตอร์หรืออาจมีการซื้อขายโดยการอนุญาตให้คอมพิวเตอร์เข้าสู่ตลาดการค้าโดยอัตโนมัติ ทั้งสองวิธีนี้ใช้กันแพร่หลายในปัจจุบัน มีผู้จัดการเงินมืออาชีพมากขึ้นที่คิดว่าตัวเองเป็นผู้ค้าระบบหรือเครื่องกลกว่าผู้ที่คิดว่าตัวเองเป็นตัวเลือกและประสิทธิภาพของผู้จัดการเงินระบบโดยทั่วไปดีกว่าที่ของผู้จัดการเงินตัดสินใจ การศึกษาพบว่าบัญชีการค้ามักสูญเสียเงินบ่อยขึ้นหากลูกค้าไม่ได้ใช้ระบบการซื้อขาย การเพิ่มขึ้นอย่างมากของระบบการซื้อขายในช่วง 10 ปีที่ผ่านมาเป็นสิ่งที่เห็นได้ชัดโดยเฉพาะอย่างยิ่งใน บริษัท นายหน้าซื้อขายสินค้าโภคภัณฑ์ แต่ บริษัท นายหน้าซื้อขายหลักทรัพย์และตราสารทุนส่วนใหญ่ต่างตระหนักถึงประโยชน์มากขึ้นผ่านการใช้ระบบการซื้อขายและบางส่วนเริ่มเสนอระบบการซื้อขายให้แก่ ลูกค้ารายย่อย ผู้จัดการกองทุนส่วนใหญ่ส่วนใหญ่กำลังใช้ขั้นตอนวิธีคอมพิวเตอร์ที่มีความซับซ้อนเพื่อเป็นแนวทางในการตัดสินใจว่าจะเลือกหุ้นร้อนหรือเลือกใช้การหมุนเวียนของภาคใด คอมพิวเตอร์และอัลกอริทึมได้กลายเป็นกระแสหลักในการลงทุนและเราคาดหวังว่าแนวโน้มนี้จะยังคงอ่อนเยาว์มากขึ้นนักลงทุนที่มีความเข้าใจในคอมพิวเตอร์มากขึ้นยังคงอนุญาตบางส่วนของเงินของตนให้ได้รับการจัดการโดย Trading Systems เพื่อลดความเสี่ยงและเพิ่มผลตอบแทน ความสูญเสียขนาดใหญ่ที่นักลงทุนมีส่วนร่วมในการซื้อและการถือครองหุ้นและกองทุนรวมในขณะที่ตลาดหุ้นเริ่มละลายลงในช่วงหลายปีที่ผ่านมาคือการเคลื่อนไหวนี้ไปสู่แนวทางที่มีระเบียบวินัยและมีเหตุผลมากยิ่งขึ้นในการลงทุนในตลาดหุ้น นักลงทุนเฉลี่ยตระหนักว่าขณะนี้เขาหรือเธอช่วยให้ชีวิตและชีวิตของคนในครอบครัวได้รับการบำรุงรักษาหรือควบคุมโดยคอมพิวเตอร์เช่นรถยนต์และเครื่องบินที่เราใช้สำหรับการขนส่งเครื่องมือวินิจฉัยทางการแพทย์ที่เราใช้เพื่อการบำรุงรักษาสุขภาพ, ตัวควบคุมความร้อนและเครื่องทำความเย็นที่เราใช้สำหรับควบคุมอุณหภูมิเครือข่ายที่เราใช้สำหรับข้อมูลพื้นฐานทางอินเทอร์เน็ตแม้แต่เกมที่เราเล่นเพื่อความบันเทิง ทำไมนักลงทุนรายย่อยจึงเชื่อว่าพวกเขาสามารถยิงจากสะโพกในการตัดสินใจของพวกเขาว่าหุ้นหรือกองทุนรวมที่จะซื้อหรือขายและคาดหวังว่าจะสร้างรายได้ในที่สุดนักลงทุนทั่วไปได้กลายเป็นระวังการให้คำแนะนำและข้อมูลที่ส่งต่อโดยโบรกเกอร์ไร้ยางอาย , บัญชี, ผู้บริหารขององค์กรและที่ปรึกษาทางการเงิน สำหรับนักคณิตศาสตร์และนักพัฒนาซอฟต์แวร์ 20 ปีที่ผ่านมาได้ค้นหาตัวบ่งชี้และรูปแบบในตลาดหุ้นและสินค้าโภคภัณฑ์ที่ต้องการข้อมูลที่อาจชี้ไปยังทิศทางของตลาด ข้อมูลนี้อาจใช้เพื่อเพิ่มประสิทธิภาพของระบบการซื้อขาย โดยทั่วไปกระบวนการค้นพบนี้ทำได้ผ่านการทดลองและข้อผิดพลาดรวมทั้งการทำเหมืองข้อมูลที่มีความซับซ้อนมากขึ้น โดยปกตินักพัฒนาซอฟต์แวร์จะใช้เวลาหลายสัปดาห์หรือหลายเดือนในการกระทืบหมายเลขเพื่อสร้างระบบการซื้อขายที่มีศักยภาพ หลายครั้งที่ระบบการซื้อขายนี้จะไม่ทำงานได้ดีเมื่อใช้งานได้จริงในอนาคตเนื่องจากสิ่งที่เรียกว่า curve fitting ในช่วงหลายปีที่ผ่านมามีระบบการซื้อขาย (Trading Systems Development System) จำนวนมากที่เข้ามาและออกไปเนื่องจากระบบของพวกเขาล้มเหลวในการซื้อขายหลักทรัพย์สด การพัฒนาระบบการซื้อขายที่ดำเนินการต่อไปในอนาคตเป็นเรื่องยาก แต่ไม่สามารถบรรลุได้แม้ว่านักพัฒนาด้านจริยธรรมหรือผู้จัดการเงินจะให้การรับประกันอย่างไม่มีเงื่อนไขว่าระบบการซื้อขายหรือหุ้นใด ๆ หุ้นกู้หรือกองทุนรวมจะดำเนินต่อไป เพื่อสร้างผลกำไรในอนาคตตลอดไป สิ่งที่ต้องใช้เวลาหลายสัปดาห์หรือเป็นเดือนสำหรับนักพัฒนาระบบการค้าในการผลิตในอดีตอาจจะเกิดขึ้นได้ภายในไม่กี่นาทีผ่านการใช้ Trading System Lab Trading System Lab เป็นแพลตฟอร์มสำหรับการสร้างระบบการซื้อขายและตัวชี้วัดการซื้อขายอัตโนมัติ TSL ใช้เครื่องมือการเขียนโปรแกรมทางพันธุกรรมความเร็วสูงและจะสร้างระบบการซื้อขายในอัตรากว่า 16 ล้านบาร์ระบบต่อวินาทีโดยใช้ปัจจัยการผลิต 56 รายการ โปรดทราบว่ามีเพียงปัจจัยการผลิตเพียงเล็กน้อยเท่านั้นที่จะถูกนำมาใช้หรือจำเป็นต้องทำให้เกิดโครงสร้างยุทธวิธีในการพัฒนาโดยทั่วไป ด้วยระบบประมาณ 40,000 ถึง 200,000 ระบบที่จำเป็นสำหรับการลู่เข้าเวลาในการบรรจบกันของชุดข้อมูลใด ๆ สามารถประมาณได้ โปรดทราบว่าเราไม่เพียงใช้การเพิ่มประสิทธิภาพโง่ ๆ ของตัวชี้วัดที่มีอยู่เพื่อค้นหาพารามิเตอร์ที่เหมาะสมที่สุดเพื่อใช้ในระบบการซื้อขายที่มีอยู่แล้ว เครื่องกำเนิดไฟฟ้าระบบการค้าเริ่มต้นที่จุดเริ่มต้นของจุดศูนย์ซึ่งไม่มีสมมติฐานเกี่ยวกับการเคลื่อนไหวของตลาดในอนาคตและพัฒนาระบบการซื้อขายในอัตราที่สูงซึ่งรวมข้อมูลที่มีอยู่ในตลาดและสร้างตัวกรองฟังก์ชันฟังก์ชันเงื่อนไขและความสัมพันธ์ใหม่ ๆ ดำเนินไปสู่ระบบการซื้อขายพันธุกรรม ผลก็คือระบบการซื้อขายที่ดีเยี่ยมอาจเกิดขึ้นได้ภายในไม่กี่นาทีในช่วง 20-30 ปีของข้อมูลตลาดรายวันในเกือบทุกตลาด ในช่วงหลายปีที่ผ่านมามีการใช้วิธีการเพิ่มประสิทธิภาพระบบการซื้อขายหลายอย่างซึ่งใช้อัลกอริธึมพันธุกรรมที่มีประสิทธิภาพน้อยกว่า โปรแกรมทางพันธุกรรม (GP) ดีกว่าอัลกอริทึมทางพันธุกรรม (GAs) ด้วยเหตุผลหลายประการ ขั้นแรกให้ GPs ผสานเข้ากับโซลูชันที่อัตราการชี้แจง (เร็วมากและเร็วขึ้น) ในขณะที่ขั้นตอนวิธีทางพันธุกรรมมาบรรจบกันที่อัตราเส้น (ช้ากว่ามากและไม่ได้เร็วขึ้น) ประการที่สอง GP จริงสร้างรหัสเครื่องระบบการซื้อขาย (Trading System machine code) ซึ่งรวมเอาวัสดุทางพันธุกรรม (ตัวบ่งชี้รูปแบบข้อมูลระหว่างตลาด) ด้วยวิธีที่ไม่ซ้ำกัน ชุดค่าผสมที่ไม่ซ้ำกันเหล่านี้อาจไม่ชัดเจนอย่างเห็นได้ชัดและไม่จำเป็นต้องมีคำจำกัดความเริ่มต้นโดยผู้พัฒนาระบบ ความสัมพันธ์ทางคณิตศาสตร์ที่ไม่ซ้ำกันที่สร้างอาจกลายเป็นตัวบ่งชี้ใหม่หรือตัวแปรในการวิเคราะห์ทางเทคนิคยังไม่พัฒนาหรือค้นพบ GA ในมืออื่น ๆ เพียงแค่มองหาโซลูชั่นที่เหมาะสมตามที่พวกเขาก้าวหน้ากว่าช่วงพารามิเตอร์ที่พวกเขาไม่ได้ค้นพบความสัมพันธ์ทางคณิตศาสตร์ใหม่และไม่ได้เขียนรหัสระบบการค้าของตัวเอง GPs สร้างรหัสระบบการค้าของความยาวต่างๆโดยใช้จีเอ็นส์ความยาวตัวแปรจะปรับเปลี่ยนความยาวของระบบการซื้อขายผ่านสิ่งที่เรียกว่าครอสโอเวอร์ที่ไม่ใช่แบบ homologous และจะสมบูรณ์ทิ้งตัวบ่งชี้หรือรูปแบบที่ไม่ได้นำไปสู่ประสิทธิภาพของระบบการซื้อขาย GA ใช้บล็อกคำสั่งขนาดคงที่โดยใช้เพียงครอสโอเวอร์แบบเดียวกันเท่านั้นและไม่ได้สร้างรหัสระบบการซื้อขายที่มีความยาวแปรผันและจะไม่ทิ้งตัวบ่งชี้หรือรูปแบบที่ไม่มีประสิทธิภาพเท่าเทียมกับ GP ในที่สุดโปรแกรมพันธุกรรมเป็นความก้าวหน้าล่าสุดในด้านการเรียนรู้ของเครื่องจักรขณะที่ขั้นตอนวิธีทางพันธุกรรมถูกค้นพบเมื่อ 30 ปีก่อน โปรแกรมทางพันธุกรรมจะมีฟังก์ชันหลัก ๆ ของการทำไขว้แบบพันธุกรรมการสืบพันธุ์การกลายพันธุ์และการออกกำลังกายอย่างไรก็ตามจีพีเอสมีคุณสมบัติที่รวดเร็วและมีประสิทธิภาพมากขึ้นทำให้จีพีเอสเป็นทางเลือกที่ดีที่สุดสำหรับการผลิตระบบการซื้อขาย GP ที่ใช้ใน TSLs Trading System Generator เป็น GP ที่เร็วที่สุดในปัจจุบันที่มีอยู่และไม่มีในซอฟต์แวร์ตลาดการเงินอื่น ๆ ในโลก อัลกอริธึมการเขียนโปรแกรมทางพันธุกรรมเครื่องจำลองการซื้อขายและเครื่องมือฟิตเนสที่ใช้ภายใน TSL ใช้เวลานานกว่า 8 ปีในการผลิต Trading System Lab เป็นผลมาจากหลายปีของการทำงานหนักโดยทีมวิศวกรนักวิทยาศาสตร์โปรแกรมเมอร์และผู้ค้าและเราเชื่อว่าเป็นเทคโนโลยีที่ทันสมัยที่สุดในปัจจุบันสำหรับการซื้อขายตลาดระบบการซื้อขาย Forex ขึ้นอยู่กับขั้นตอนวิธีทางพันธุกรรมอ้างอิงบทความนี้ ในบทความนี้จะมีการอธิบายอัลกอริทึมทางพันธุกรรมที่มุ่งเน้นการเพิ่มประสิทธิภาพของชุดข้อมูล กฎที่เป็นระบบการซื้อขายสำหรับตลาด Forex แต่ละคนในกลุ่มประชากรเป็นกลุ่มกฎการซื้อขายทางเทคนิคจำนวนสิบ (ห้าเพื่อป้อนตำแหน่งและอีกห้าคนที่จะออก) กฎเหล่านี้มีทั้งหมด 31 พารามิเตอร์ซึ่งสอดคล้องกับยีนของแต่ละบุคคล ประชากรจะมีวิวัฒนาการในสภาพแวดล้อมที่กำหนดโดยชุดเวลาของคู่สกุลเงินที่ระบุ ความเหมาะสมของแต่ละบุคคลแสดงถึงความสามารถในการปรับตัวเข้ากับสภาพแวดล้อมได้ดีและคำนวณโดยใช้กฎที่เกี่ยวข้องกับชุดข้อมูลเวลาและคำนวณอัตราส่วนระหว่างกำไรและอัตราเบิกสูงสุด (อัตราส่วนของสเตอร์ลิง) . มีการใช้สกุลเงินสองสกุล: EURUSD และ GBPUSD ข้อมูลต่าง ๆ ถูกนำมาใช้สำหรับการวิวัฒนาการของประชากรและการทดสอบบุคคลที่ดีที่สุด ผลที่ได้จากระบบจะกล่าวถึง บุคคลที่ดีที่สุดสามารถบรรลุผลดีในชุดการฝึกอบรม ในชุดการทดสอบกลยุทธ์ที่พัฒนาขึ้นแสดงให้เห็นถึงความยากลำบากในการบรรลุผลในเชิงบวกหากคุณพิจารณาค่าใช้จ่ายในการทำธุรกรรม หากคุณละเว้นค่าใช้จ่ายในการทำธุรกรรมผลลัพธ์ที่ได้จะเป็นบวกส่วนใหญ่แสดงให้เห็นว่าบุคคลที่ดีที่สุดมีความสามารถในการคาดการณ์บางอย่าง ขั้นตอนวิธีทางพันธุกรรมการเงินกฎการซื้อขายทางเทคนิคอัตราแลกเปลี่ยนเงินตราอ้างอิง Alvarez-Diaz, M. Alvarez, A. การพยากรณ์อัตราแลกเปลี่ยนโดยใช้ขั้นตอนวิธีทางพันธุกรรม Appl Econ เลทท์ Google (PRWEB) 5 กรกฎาคม 2012 Google Scholar Brabazon, A. ONeill, M. การพัฒนากฎการซื้อขายทางเทคนิคสำหรับตลาดแลกเปลี่ยนเงินตราต่างประเทศโดยใช้วิวัฒนาการทางไวยากรณ์ คอมพิวเต Manag วิทย์ 1 (3), 311327 (2004) MATH CrossRef Google Scholar Davis, ลิตรคู่มือคู่มือขั้นตอนวิธีทางพันธุกรรม Van Nostrand-Reinhold, New York (1991) Google Scholar Dempster, M. A.H. Jones, C. M. ระบบการซื้อขายแบบปรับตัวแบบเรียลไทม์โดยใช้โปรแกรมทางพันธุกรรม ควอนท์ การเงิน 1 (4), 397413 (2544) CrossRef Google Scholar Dunis, C. Harris, A. et al. การเพิ่มประสิทธิภาพของโมเดลการค้าระหว่างวันด้วยอัลกอริทึมทางพันธุกรรม Neural Netw การเลือกตัววัดประสิทธิภาพจะมีผลต่อการประเมินผลของกองทุนป้องกันความเสี่ยง J. Bank หรือไม่? การคลัง 31 (9), 26322647 (2007) CrossRef Google Scholar Fama, E. F ตลาดทุนที่มีประสิทธิภาพ: การทบทวนทฤษฎีและงานเชิงประจักษ์ J. Finance 25 (2), 383417 (1970) CrossRef Google Scholar Goldberg, D. อัลกอริทึมทางพันธุกรรมในการค้นหาการเพิ่มประสิทธิภาพและการเรียนรู้ด้วยเครื่อง Addison-Wesley, Reading (1989) MATH Google Scholar Grefenstette, J. J. อัลกอริทึมทางพันธุกรรมสำหรับการเปลี่ยนแปลงสภาพแวดล้อม ใน: การแก้ปัญหาแบบคู่ขนานจากธรรมชาติ 2, Brussels (1992) Google Scholar Harding, D. Nakou, G. et al. ข้อดีและข้อเสียของการเบิกเป็นมาตรการทางสถิติในการลงทุนในความเสี่ยง วารสาร AIMA, เมษายน 1617 (2003) Google Scholar Hirabayashi, A. Aranha, C. et al. การเพิ่มประสิทธิภาพของกฎการค้าในการแลกเปลี่ยนเงินตราต่างประเทศโดยใช้ขั้นตอนวิธีทางพันธุกรรม ใน: การประชุมวิชาการประจำปีครั้งที่ 11 เรื่องการคำนวณทางพันธุกรรมและวิวัฒนาการ GECCO09 (2009) Google Scholar Hryshko, A. Downs, T. ระบบสำหรับการซื้อขายแลกเปลี่ยนเงินตราต่างประเทศโดยใช้อัลกอริทึมทางพันธุกรรมและการเรียนรู้การเสริมแรง int J. Syst วิทย์ 35 (13), 763774 (2004) MATH CrossRef Google Scholar Kaboudan, M. A. การทำนายทางพันธุกรรมของราคาหุ้น คอมพิวเต Econ 16 (3), 207236 (2000) MATH CrossRef Google Scholar LeBaron, B. กฎการซื้อขายทำกำไรทางเทคนิคและการแทรกแซงอัตราแลกเปลี่ยน J. Int. Econ ความสามารถในการทำกำไรด้านเทคนิคในการซื้อขายในตลาดแลกเปลี่ยนเงินตราต่างประเทศในปีพ. ศ. 2533 (ปีพ. ศ. 2545) Levich, R. M. Thomas, L. R. ความสำคัญของกฎการค้าทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศ: วิธีบูต J. Int. การเงินเงิน 12 (5), 451474 (1993) CrossRef Google Scholar Menkhoff, L. Taylor, M. P. ความหลงใหลของผู้เชี่ยวชาญด้านการแลกเปลี่ยนเงินตราต่างประเทศ: การวิเคราะห์ทางเทคนิค J. Econ จากเอกสาร, บทความ 45 (4), 936972 (2007) CrossRef Google Scholar Meyers, T. A. หลักสูตรการวิเคราะห์ทางเทคนิค McGraw-Hill, New York (1989) Google Scholar Mitchell, M. บทนำขั้นตอนวิธีทางพันธุกรรม MIT Press, Cambridge (1996) Google Scholar Neely, C. Weller, P. Intraday การค้าทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศ J. Int. การเงินเงิน 22 (2), 223237 (2003) CrossRef Google Scholar Neely, C. Weller, P. และคณะ การวิเคราะห์ทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศมีกำไรวิธีการเขียนโปรแกรมทางพันธุกรรม J. Financ ควอนท์ ทางทวารหนัก 32 (4), 405426 (1997) CrossRef Google Scholar Neely, C. J. Weller, P. A. et al สมมติฐานของตลาดปรับตัว: หลักฐานจากตลาดแลกเปลี่ยนเงินตราต่างประเทศ J. Financ ควอนท์ ทางทวารหนัก 44 (02), 467488 (2009) CrossRef Google Scholar Olson, D. มีกำไรกฎการซื้อขายในตลาดสกุลเงินลดลงเมื่อเวลาผ่านไป J. Bank การเงิน 28 (1), 85105 (2004) CrossRef Google Scholar Osman, I. H. Kelly, J. P. Meta-Heuristics: แอพพลิเคชั่นแอพพลิเคชันทฤษฎี Kluwer Academic, Dordrecht (1996) MATH Google Scholar Park, C.-H. Irwin, S. H. สิ่งที่เรารู้เกี่ยวกับการทำกำไรของการวิเคราะห์ทางเทคนิคเจ Econ Surv 21 (4), 786826 (2007) CrossRef Google Scholar Pictet, O. V. Dacorogna, M. M. et al การใช้อัลกอริทึมทางพันธุกรรมเพื่อเพิ่มประสิทธิภาพในการใช้งานด้านการเงิน Neural Netw โลก 5 (4), 573587 (1995) Google Scholar Reeves, C. R. ใช้ขั้นตอนวิธีทางพันธุกรรมที่มีประชากรน้อย ใน: รายงานการประชุมวิชาการนานาชาติเรื่องอัลกอริทึมทางพันธุศาสตร์ครั้งที่ 5 Morgan Kaufmann, San Mateo (1993) Google Scholar Rothlauf, F. Goldberg, D. การแทนซ้ำซ้อนในการคำนวณวิวัฒนาการ อิลลินอยส์อัลกอริทึมการทดลองทางพันธุกรรม (IlliGAL) Report (2002) Schulmeister, S. องค์ประกอบของความสามารถในการทำกำไรของการซื้อขายสกุลเงินทางเทคนิค Appl Financ Econ 18 (11), 917930 (2008) CrossRef Google Scholar Sweeney, R. J. ตีตลาดแลกเปลี่ยนเงินตราต่างประเทศ J. Finance 41 (1), 163182 (1986) Google Scholar Wilson, G. Banzhaf, W. การซื้อขายแลกเปลี่ยนเงินตราระหว่างวันโดยใช้โปรแกรมเชิงพันธุกรรมเชิงเส้น ใน: การประชุมวิชาการประจำปีครั้งที่ 12 เรื่องการคำนวณทางพันธุกรรมและวิวัฒนาการ GECCO10 (2010) Google Scholar ข้อมูลลิขสิทธิ์ Springer ScienceBusiness Media, LLC 2012 ผู้เขียนและ บริษัท ในเครือ Lus Mendes 1 Pedro Godinho 2 Joana Dias 3 ผู้เขียนอีเมล 1 Faculdade de Economia Universidade de Coimbra Coimbra โปรตุเกส 2. Faculdade de Economia และ GEMF Universidade de Coimbra Coimbra โปรตุเกส 3. Faculdade de Economia และ Inesc-Coimbra Universidade de Coimbra Coimbra โปรตุเกสเกี่ยวกับบทความนี้ขั้นตอนวิธีทางพันธุกรรมของลางบอกเหตุในระบบการซื้อขาย FOREX โดยใช้อัลกอริทึมทางพันธุกรรมเพื่อสร้างกลยุทธ์การซื้อขาย FOREX ที่มีกำไร อัลกอริทึมทางพันธุกรรมในโครงข่ายประสาทเทียมซอฟท์แวร์เครือข่ายประสาทเทียมสำหรับการคำนวณทางพันธุกรรมโดยใช้ Forex trading ตัวอย่างนี้ใช้แนวคิดและแนวคิดของบทความก่อน ๆ ดังนั้นโปรดอ่านอัลกอริธึมพันธุกรรมเครือข่ายประสาทเทียมในระบบการซื้อขาย FOREX ก่อน แต่ก็ไม่จำเป็น เกี่ยวกับข้อความนี้ก่อนอื่นโปรดอ่านข้อจำกัดความรับผิดชอบ นี่คือตัวอย่างของการใช้ฟังก์ชันการทำงานของอัลกอริธึมทางพันธุกรรมของ Cortex Neural Networks Software ไม่ใช่ตัวอย่างของวิธีการทำกำไรจากการซื้อขาย ฉันไม่ใช่คุณครูของฉันและฉันไม่ควรเป็นผู้รับผิดชอบต่อความสูญเสียของคุณ Cortex Neural Networks Software มีเครือข่ายประสาทในนั้นและ FFBP ที่เรากล่าวถึงก่อนเป็นเพียงวิธีหนึ่งในการเลือกกลยุทธ์การซื้อขายแบบเทรด มันเป็นเทคนิคที่ดีมีประสิทธิภาพและเมื่อใช้อย่างถูกต้องมาก promicing อย่างไรก็ตามมีปัญหา - เพื่อสอนเครือข่ายประสาทเทียม เราจำเป็นต้องทราบผลลัพธ์ที่ต้องการ มันค่อนข้างง่ายที่จะทำเมื่อเราทำประมาณค่าเราเพียงแค่ใช้ค่าที่แท้จริงของฟังก์ชันเพราะเรารู้ว่ามันควรจะเป็น เมื่อเราทำโครงข่ายประสาทเทียม เราใช้เทคนิค (อธิบายไว้ในบทความก่อนหน้านี้) ในการสอนเครือข่ายประสาทเทียมเกี่ยวกับประวัติศาสตร์อีกครั้งหนึ่งถ้าเราคาดการณ์ว่าเป็นอัตราแลกเปลี่ยนที่เรารู้ (ในระหว่างการฝึกอบรม) ว่าทำนายถูกต้องอย่างไร อย่างไรก็ตามเมื่อเรากำลังสร้างระบบการซื้อขายเราไม่มีความคิดว่าการตัดสินใจทางการค้าที่ถูกต้องคือแม้ว่าเราจะรู้อัตราแลกเปลี่ยนแล้ว แต่ในความเป็นจริงเรามีกลยุทธ์การซื้อขายแบบเทรดหลายอย่างที่เราสามารถใช้ได้ตลอดเวลาและ เราควรจะหาข้อมูลที่ดีที่สุดได้อย่างไรเราควรให้อาหารเท่าที่ต้องการจากกระดาษคำนวณของเราหรือไม่ถ้าคุณทำตามบทความก่อนหน้านี้ของเราคุณรู้ว่าเราโกงเพื่อรับมือกับปัญหานี้ เราได้สอนเครือข่ายประสาทเทียมเพื่อทำาการทำนายอัตราแลกเปลี่ยน (หรือตัวบ่งชี้อัตราแลกเปลี่ยน) และใช้การคาดการณ์นี้เพื่อทำาการซื้อขาย จากนั้นนอกเครือข่าย Neural Network ของโปรแกรมเราได้ตัดสินใจว่า Neural Network เป็นระบบที่ดีที่สุด อัลกอริทึมทางพันธุกรรมสามารถจัดการกับปัญหานี้ได้โดยตรงพวกเขาสามารถแก้ปัญหาตามที่ระบุไว้ได้โดยหาสัญญาณการซื้อขายที่ดีที่สุด ในบทความนี้เราจะใช้ Cortex Neural Networks Software เพื่อสร้างโปรแกรมดังกล่าว การใช้อัลกอริทึมทางพันธุกรรมขั้นตอนวิธีทางพันธุกรรมได้รับการพัฒนาเป็นอย่างดีและมีความหลากหลายมาก ถ้าคุณต้องการเรียนรู้เกี่ยวกับเรื่องนี้ขอแนะนำให้คุณใช้วิกิพีเดียเนื่องจากบทความนี้เป็นเพียงสิ่งที่ Cortex Neural Networks Software สามารถทำได้ มีซอฟต์แวร์ Cortex Neural Networks เราสามารถสร้างเครือข่ายประสาทเทียมที่ใช้ข้อมูลบางอย่างเช่นค่าของตัวบ่งชี้และสร้างผลลัพธ์บางอย่างเช่นสัญญาณการซื้อขาย (ซื้อซื้อขาย) ค้างไว้และหยุดการสูญเสียระดับผลกำไรสำหรับตำแหน่งที่จะเปิด แน่นอนว่าถ้าเราให้น้ำหนักของเครือข่ายนี้เป็นแบบสุ่มผลการซื้อขายจะแย่มาก อย่างไรก็ตามสมมติว่าเราได้สร้างโหลดังกล่าวขึ้น จากนั้นเราสามารถทดสอบประสิทธิภาพของแต่ละคนได้และเลือกสิ่งที่ดีที่สุดผู้ชนะ นี่เป็นรุ่นแรกของ NNS หากต้องการดำเนินการต่อในยุคที่สองเราต้องอนุญาตให้ผู้ชนะของเราสร้าง แต่เพื่อหลีกเลี่ยงการทำสำเนาเดียวกันให้เพิ่มเสียงสุ่มบางอย่างลงในน้ำหนักที่ลดลง ในรุ่นที่สองเรามีผู้ชนะรุ่นแรกและสำเนาไม่สมบูรณ์ (mutated) ของเรา ให้ทำการทดสอบอีกครั้ง เราจะมีผู้ชนะคนอื่นซึ่งดีกว่าเครือข่ายประสาทเทียมอื่น ๆ ในรุ่นนี้ และอื่น ๆ เราเพียงแค่อนุญาตให้ผู้ชนะพันธุ์และกำจัดผู้แพ้เช่นเดียวกับวิวัฒนาการในชีวิตจริงและเราจะได้รับ Neural Network ที่ดีที่สุดของเรา ไม่มีความรู้ใด ๆ เกี่ยวกับระบบการค้า (ขั้นตอนวิธีทางพันธุกรรม) ควรเป็นเช่น อัลกอริทึมทางพันธุกรรมของเครือข่ายประสาทเทียม: ตัวอย่าง 0 นี่เป็นตัวอย่างขั้นตอนวิธีทางพันธุกรรมตัวแรก และง่ายมาก เราจะเดินผ่านมันทีละขั้นตอนเพื่อเรียนรู้เทคนิคทั้งหมดที่ตัวอย่างต่อไปนี้จะใช้ โค้ดมีความคิดเห็นแบบอินไลน์ดังนั้นให้เน้นเฉพาะช่วงเวลาสำคัญ ขั้นแรกเราได้สร้างเครือข่ายประสาทขึ้น ใช้น้ำหนักแบบสุ่มและยังไม่ได้สอน จากนั้นในวัฏจักรที่เราทำ 14 สำเนาของมันโดยใช้การรั่วไหล MUTATIONNN ฟังก์ชั่นนี้จะทำสำเนาของเครือข่าย Neural Network เพิ่มค่าสุ่มจาก 0 เป็น (ในกรณีของเรา) 0.1 สำหรับน้ำหนักทั้งหมด เราจัดการกับ NNN 15 อันที่เกิดขึ้นในอาร์เรย์เราสามารถทำมันได้เนื่องจากหมายเลขอ้างอิงเป็นจำนวนเต็มเท่านั้น เหตุผลที่เราใช้ 15 NNs ไม่มีส่วนเกี่ยวข้องกับการซื้อขาย: ซอร์ฟแวร์ Cortex Neural Networks สามารถทำกราฟได้ถึง 15 บรรทัดพร้อมกัน เราสามารถใช้วิธีการต่างๆในการทดสอบ อันดับแรกเราสามารถใช้ชุดการเรียนรู้ทั้งหมดได้ในครั้งเดียว ประการที่สองเราสามารถทดสอบในคำพูด 12000 resords (จาก 100000) และเดินผ่านชุดการเรียนรู้ตั้งแต่ต้นจนจบ ซึ่งจะทำให้ learnigs แตกต่างกันไปเนื่องจากเราจะค้นหาเครือข่าย Neural Network ที่ทำกำไรได้จากข้อมูลที่ได้รับไม่เฉพาะในชุดข้อมูลทั้งหมด วิธีที่สองสามารถทำให้เราเกิดปัญหาได้หากข้อมูลมีการเปลี่ยนแปลงตั้งแต่ต้นจนจบ เครือข่ายจะมีวิวัฒนาการได้รับความสามารถในการซื้อขายเมื่อสิ้นสุดชุดข้อมูลและสูญเสียความสามารถในการซื้อขายตั้งแต่เริ่มต้น ในการแก้ปัญหานี้เราจะสุ่มเก็บบันทึก 12000 ชิ้นจากข้อมูลและป้อนข้อมูลไปยังเครือข่ายประสาทเทียม เป็นเพียงวงจรที่ไม่มีที่สิ้นสุดเนื่องจากรอบ 100000 จะไม่เกิดขึ้นที่ความเร็วของเรา ด้านล่างเราเพิ่มเด็ก 1 คนสำหรับแต่ละเครือข่ายโดยมีน้ำหนักแตกต่างกันเล็กน้อย ทราบว่า 0.1 สำหรับการกลายพันธุ์ tange ไม่ได้เป็นทางเลือกเดียวที่เป็นเรื่องของความเป็นจริงแม้พารามิเตอร์นี้สามารถเพิ่มประสิทธิภาพโดยใช้ขั้นตอนวิธีทางพันธุกรรม NNs ที่สร้างขึ้นใหม่จะถูกเพิ่มหลังจากที่มีอยู่ 15 วิธีนี้เรามี 30 NN ในอาร์เรย์ 15 เก่าและ 15 ใหม่ จากนั้นเราจะทำรอบทดสอบต่อไปและจะฆ่าผู้แพ้จากทั้งสองรุ่น เมื่อต้องการทำแบบทดสอบเราจะใช้เครือข่ายประสาทเทียมกับข้อมูลของเราเพื่อสร้างผลลัพธ์และเรียกฟังก์ชันทดสอบซึ่งใช้ข้อมูลเหล่านี้เพื่อจำลองการซื้อขาย ผลของการซื้อขายถูกนำมาใช้เพื่อกำหนดซึ่ง NNs จะดีที่สุด เราใช้ช่วงเวลาของระเบียน nLearn จาก nStart ไปที่ nStart nLearn โดยที่ nStart เป็นจุดสุ่มภายในชุดการเรียนรู้ โค้ดด้านล่างเป็นเคล็ดลับ เหตุผลที่เราใช้ก็เพื่อแสดงให้เห็นถึงความจริงที่ว่าขั้นตอนวิธีทางพันธุกรรมสามารถสร้างขั้นตอนวิธีทางพันธุกรรม แต่ก็ไม่จำเป็นต้องเป็นคำแนะนำที่ดีที่สุดและยังแนะนำว่าเราสามารถปรับปรุงผลการดำเนินงานได้ถ้าเราอนุมานถึงข้อ จำกัด บางอย่างในกระบวนการเรียนรู้ เป็นไปได้ว่าระบบการซื้อขายของเราทำงานได้ดีในธุรกิจการค้าที่ยาวนานและไม่ค่อยดีในระยะสั้นหรือในทางกลับกัน ถ้าพูดยาวธุรกิจการค้าที่ดีมากนี้ขั้นตอนวิธีทางพันธุกรรมอาจจะชนะแม้จะมีการสูญเสียขนาดใหญ่ในธุรกิจการค้าระยะสั้น เพื่อหลีกเลี่ยงปัญหานี้เราจะกำหนดน้ำหนักให้กับธุรกิจการค้าระยะยาวในธุรกิจคี่และธุรกิจในระยะเวลาสั้น ๆ นี่เป็นเพียงตัวอย่างไม่มีการรับประกันใด ๆ ว่าจะปรับปรุงบางอย่าง เพิ่มเติมเกี่ยวกับด้านล่างในการอภิปรายเกี่ยวกับการแก้ไข เทคนิคคุณ dont ต้องทำหรือสามารถทำให้แตกต่างกัน เพิ่มกำไรลงในแถวที่เรียง จะส่งกลับตำแหน่งแทรกแล้วเราจะใช้ตำแหน่งนี้เพื่อเพิ่มเครือข่ายประสาทการจัดการเรียนรู้และการทดสอบผลกำไรให้อาร์เรย์ที่ไม่เรียงลำดับ ตอนนี้เรามีข้อมูลสำหรับเครือข่ายประสาทเทียมในปัจจุบันที่ดัชนีอาร์เรย์เช่นเดียวกับผลกำไรของมัน ความคิดคือการมาถึงอาร์เรย์ของ NNs เรียงตามความสามารถในการทำกำไร เป็นแถวเรียงตามกำไรเพื่อลบ 12 เครือข่ายที่มีกำไรน้อยกว่าเราก็ต้องลบ NNs 0 ถึง 14 การตัดสินใจซื้อขายขึ้นอยู่กับมูลค่าของสัญญาณเครือข่ายประสาทจากมุมมองนี้โปรแกรมจะเหมือนกับตัวอย่างจาก บทความก่อนหน้า กลยุทธ์การซื้อขาย FOREX: การอภิปรายตัวอย่างที่ 0 ก่อนอื่นให้ลองดูที่แผนภูมิ แผนภูมิแรกสำหรับกำไรระหว่างการทำซ้ำครั้งแรกไม่ดีเท่าที่ควร แต่เครือข่ายประสาทจะสูญเสียเงิน (ภาพ evolution00gen0.png ถูกคัดลอกหลังจากทำซ้ำครั้งแรกจากโฟลเดอร์ภาพ): ภาพสำหรับกำไรในรอบ 15 ดีกว่าบางครั้ง อัลกอริทึมทางพันธุกรรมสามารถเรียนรู้ได้อย่างรวดเร็ว: อย่างไรก็ตามสังเกตความอิ่มตัวบนเส้นโค้งกำไร เป็นที่น่าสนใจนอกจากนี้ยังมองไปที่วิธีการที่ผลกำไรของแต่ละคนมีการเปลี่ยนแปลงการเก็บไว้ในใจจำนวนโค้งที่พูด 3 ไม่ได้เสมอสำหรับเครือข่ายประสาทเทียมเดียวกัน ขณะที่พวกเขากำลังเกิดและถูกยกเลิกตลอดเวลา: นอกจากนี้โปรดสังเกตว่าระบบการซื้อขายแบบอัตโนมัติของ forex แบบเล็ก ๆ มีประสิทธิภาพต่ำในการค้าระยะสั้นและดีกว่าใน longs ซึ่งอาจหรือไม่เกี่ยวข้องกับข้อเท็จจริงที่ว่าเงินดอลลาร์ลดลงเมื่อเทียบกับ ยูโรในช่วงเวลาดังกล่าว นอกจากนี้ยังอาจมีบางสิ่งที่เกี่ยวข้องกับพารามิเตอร์ของตัวบ่งชี้ของเรา (บางทีเราต้องมีระยะเวลาที่แตกต่างกันสำหรับกางเกงขาสั้น) หรือตัวชี้วัดที่เลือก นี่คือประวัติหลังจากรอบ 92 และ 248: แปลกใจของเราขั้นตอนวิธีทางพันธุกรรมล้มเหลวอย่างสมบูรณ์ ช่วยให้เราลองหาสาเหตุและวิธีช่วยสถานการณ์ ประการแรกไม่ใช่แต่ละรุ่นควรจะดีกว่า previuos หนึ่งคำตอบคือไม่อย่างน้อยไม่อยู่ในรูปแบบที่เราใช้ ถ้าเราเอาชุดการเรียนรู้ทั้งหมดมาพร้อมกันและใช้ซ้ำเพื่อสอน NNs ของเราแล้วก็จะดีขึ้นในแต่ละรุ่น แต่เราได้สุ่มตัวอย่างเอาไว้ (12000 ระเบียนในเวลา) และใช้ข้อมูลเหล่านี้ คำถามสองข้อ: เหตุใดระบบจึงล้มเหลวในการสุ่มตัวอย่างชุดการเรียนรู้และทำไมเราถึงใช้ชุดการเรียนรู้ทั้งชุด? เพื่อตอบคำถามที่สองฉันไม่ NNs ทำอย่างมาก - เกี่ยวกับชุดการเรียนรู้ และพวกเขาล้มเหลวในการตั้งค่าการทดสอบด้วยเหตุผลเดียวกันกับความล้มเหลวเมื่อเราใช้การเรียนรู้ของ FFPB เพื่อให้แตกต่างกัน NNs ของเราได้รับการดูแลที่เกินจริงพวกเขาได้เรียนรู้วิธีที่จะอยู่รอดในสภาพแวดล้อมที่พวกเขาเคยชิน แต่ไม่ใช่อยู่ข้างนอก สิ่งนี้เกิดขึ้นในธรรมชาติ วิธีการที่เราเอามาแทนมีจุดมุ่งหมายเพื่อชดเชยให้โดยบังคับให้ NN ดำเนินการได้ดีในส่วนที่สุ่มใด ๆ ของชุดข้อมูลดังนั้นหวังว่าพวกเขาก็สามารถดำเนินการกับชุดทดสอบที่ไม่คุ้นเคย แต่ล้มเหลวทั้งในการทดสอบและในชุดการเรียนรู้ ลองจินตนาการถึงสัตว์ที่อาศัยอยู่ในทะเลทราย ดวงอาทิตย์มากไม่มีหิมะเลย นี่เป็น metafor สำหรับการขยายตลาดเนื่องจากข้อมูล NN ของเรามีบทบาทต่อสิ่งแวดล้อม สัตว์ได้เรียนรู้ที่จะอยู่ในทะเลทราย ลองจินตนาการถึงสัตว์ที่อาศัยอยู่ในสภาพอากาศหนาวเย็น หิมะและไม่มีแดดเลย ดีพวกเขาปรับ อย่างไรก็ตามในการทดสอบของเราเราสุ่มวาง NN ของเราในทะเลทรายในหิมะในน้ำบนต้นไม้ โดยการนำเสนอข้อมูลที่แตกต่างกัน (สุ่มเพิ่มขึ้น, ลดลง, แบน) สัตว์ตาย หรือแตกต่างไปจากนี้เราเลือกเครือข่ายประสาทเทียมที่ดีที่สุดสำหรับชุดข้อมูลแบบสุ่ม 1 ซึ่งกล่าวว่าเป็นตลาดที่เพิ่มขึ้น จากนั้นเราก็นำเสนอข้อมูลผู้โชคดีและลูกหลานของพวกเขา NN ดำเนินการได้ไม่ดีนักเราเอานักแสดงที่เก่งที่สุดคนหนึ่งซึ่งอาจเป็นเด็กคนหนึ่งซึ่งกลายพันธุ์ซึ่งสูญเสียความสามารถในการค้าขายในตลาดที่สูงขึ้น แต่ก็มีความสามารถในการรับมือกับการล้มลงได้ จากนั้นเรากลับมาที่โต๊ะอีกครั้งและเราก็ได้นักแสดงที่ดีที่สุด - แต่ที่ดีที่สุดในหมู่นักแสดงที่ไม่ดี เราไม่ได้ให้โอกาสที่จะกลายเป็นสากลของเราได้ มีเทคนิคที่ช่วยให้อัลกอริธึมทางพันธุกรรมสามารถเรียนรู้ข้อมูลใหม่ ๆ ได้โดยไม่ต้องสูญเสียสมรรถนะของข้อมูลเก่า (หลังจากสัตว์ทุกตัวสามารถอยู่ในช่วงหน้าร้อนและฤดูหนาวได้ดังนั้นวิวัฒนาการจึงสามารถจัดการกับการเปลี่ยนแปลงซ้ำได้) เราอาจพูดถึงเทคนิคเหล่านี้ในภายหลังแม้ว่าบทความนี้จะเกี่ยวกับการใช้ Cortex Neural Networks Software มากกว่าเกี่ยวกับการสร้างระบบการซื้อขายอัตโนมัติแบบอัตโนมัติที่ประสบความสำเร็จ อัลกอริทึมทางพันธุกรรมของเครือข่ายประสาทเทียม: ตัวอย่างที่ 1 ตอนนี้ถึงเวลาแล้วที่จะพูดถึงการแก้ไข อัลกอริทึมทางพันธุกรรมที่เราสร้างขึ้นในขั้นตอนก่อนหน้านี้มีสองข้อบกพร่องที่สำคัญ อันดับแรกมันล้มเหลวในการค้ากับกำไร ไม่เป็นไรเราสามารถลองใช้ระบบที่ได้รับการฝึกฝนมาบ้างแล้ว (เป็นเรื่องที่ทำกำไรได้ตั้งแต่เริ่มต้น) ข้อบกพร่องที่สองเป็นเรื่องที่รุนแรงมากขึ้น: เราไม่มีทางควบคุมสิ่งต่างๆที่ระบบนี้ทำ ตัวอย่างเช่นอาจเรียนรู้ที่จะทำกำไรได้ แต่ต้องเสียเงินมาก เป็นความจริงที่รู้จักกันดีว่าในชีวิตจริงวิวัฒนาการสามารถเพิ่มพารามิเตอร์ได้มากกว่าหนึ่งพารามิเตอร์พร้อมกัน ตัวอย่างเช่นเราสามารถหาสัตว์ที่สามารถวิ่งได้เร็วและทนทานต่อความหนาวเย็น ทำไมไม่ลองทำเช่นเดียวกันในระบบการซื้อขายอัตโนมัติของเรา forex นั่นคือเมื่อเราใช้การแก้ไขซึ่งเป็นอะไร แต่ชุดของการลงโทษเพิ่มเติม สมมติว่าระบบของเราทำงานกับการเบิก 0.5 ในขณะที่เราต้องการยืนยันให้เป็น 0 ถึง 0.3 ช่วงเวลา เพื่อบอกระบบที่ทำผิดพลาดเราจะลดกำไร (หนึ่งที่ใช้ในการกำหนดอัลกอริทึมทางพันธุกรรมที่ได้รับรางวัล) ในระดับที่เป็นสัดส่วนกับขนาดของ DD จากนั้นขั้นตอนการวิวัฒนาการจะดูแลส่วนที่เหลือ มีปัจจัยอื่น ๆ อีกเล็กน้อยที่เราต้องการพิจารณา: เราอาจต้องการมีการดำเนินการซื้อและขายที่เท่ากันหรือน้อยกว่านี้เราต้องการมีผลการดำเนินงานที่ทำกำไรได้มากขึ้นและจากความล้มเหลวเราอาจต้องการทำแผนภูมิกำไร เป็นเส้นตรงและอื่น ๆ ใน evolution01.tsc เราใช้ชุดการแก้ไขที่เรียบง่าย ก่อนอื่นเราใช้ตัวเลขจำนวนมากสำหรับค่าการแก้ไขเริ่มต้น เราคูณค่าให้เล็กลง (ปกติระหว่าง 0 ถึง 1) ขึ้นอยู่กับการลงโทษที่เราต้องการใช้ จากนั้นเราจะเพิ่มผลกำไรให้กับการแก้ไขนี้ ดังนั้นผลกำไรจึงได้รับการแก้ไขเพื่อให้สอดคล้องกับเกณฑ์อื่น ๆ ของเรา จากนั้นเราจะใช้ผลการค้นหาผู้ชนะเครือข่ายประสาทเทียม กลยุทธ์การซื้อขาย FOREX: การอภิปรายตัวอย่าง 1 ตัวอย่างที่ 1 ทำงานได้ดีกว่าตัวอย่างที่ 0 ในช่วง 100 รอบแรกได้เรียนรู้เป็นอย่างมากและแผนภูมิกำไรดูมั่นใจ อย่างไรก็ตามเช่นเดียวกับในตัวอย่างที่ 0 ธุรกิจการค้าระยะยาวทำกำไรได้มากขึ้นซึ่งอาจหมายความว่ามีปัญหาในแนวทางของเรา อย่างไรก็ตามระบบพบความสมดุลระหว่างสองเงื่อนไขที่ขัดแย้งกัน: มีพลวัตในเชิงบวกบางอย่างทั้งในชุดการเรียนรู้และที่สำคัญกว่าในชุดทดสอบ สำหรับการเรียนรู้เพิ่มเติมในวัฏจักรที่ 278 เราจะเห็นได้ว่าระบบของเราได้รับการฝึกฝนมาเป็นอย่างดี ก็หมายความว่าเรายังคงมีความคืบหน้าในการเรียนรู้ชุด: แต่ชุดทดสอบแสดงจุดอ่อน: นี่เป็นปัญหาที่พบบ่อยเกี่ยวกับ NNS: เมื่อเราสอนในชุดการเรียนรู้จะเรียนรู้ที่จะจัดการกับมันและบางครั้งก็เรียนรู้ได้ดี - เพื่อ ปริญญาเมื่อสูญเสียประสิทธิภาพในชุดทดสอบ เพื่อแก้ปัญหาดังกล่าวเราใช้โซลูชันแบบดั้งเดิม: เรายังคงมองหาเครือข่ายประสาทเทียม ที่ทำงานได้ดีที่สุดในชุดทดสอบและบันทึกไว้เขียนทับไว้ก่อนหน้านี้ที่ดีที่สุดทุกครั้งที่ถึงจุดสูงสุดใหม่ นี่เป็นวิธีเดียวกับที่เราใช้ในการฝึกอบรม FFBP ยกเว้นเวลานี้เราต้องทำเอง (เพิ่มโค้ดที่ค้นหาเครือข่ายประสาทเทียมที่ดีที่สุดในชุดทดสอบและเรียก SAVENN หรือส่งออกน้ำหนักของเครือข่ายประสาทไปยัง ไฟล์). ด้วยวิธีนี้เมื่อคุณหยุดการฝึกอบรมคุณจะมีนักแสดงที่ดีที่สุดใน TESTING SET ที่บันทึกไว้และรอคุณอยู่ โปรดทราบด้วยว่าไม่ใช่แม็กซ์ กำไรที่คุณได้รับหลัง แต่ประสิทธิภาพที่ดีที่สุดดังนั้นให้ลองใช้การแก้ไขเมื่อมองหานักแสดงที่ดีที่สุดในชุดทดสอบ ขั้นตอนวิธีทางพันธุกรรมสำหรับการวิเคราะห์ทางเทคนิคของ FOREX: ตอนนี้หลังจากที่คุณได้รับรางวัล Neural Network แล้ว คุณสามารถทำตามขั้นตอนที่อธิบายไว้ในบทความก่อนหน้าเพื่อส่งออกน้ำหนักของเครือข่ายประสาทเทียมนั้น แล้วนำไปใช้ในแพลตฟอร์มการซื้อขายแบบเรียลไทม์เช่น Meta Trader, Trade Station เป็นต้น หรือคุณสามารถมุ่งเน้นไปที่วิธีอื่น ๆ ในการเพิ่มประสิทธิภาพเครือข่ายประสาทเทียม ไม่เหมือนอัลกอริทึม FFBP ที่นี่คุณจะได้รับ avay จากการใช้ชุดการเรียนรู้และการทดสอบและย้ายการเรียนรู้ตามลำดับ ดาวน์โหลด Cortex Order Cortex ดูราคาการมองเห็นรายการเป็นสิ่งที่สำคัญมากสำหรับเว็บไซต์นี้ ถ้าคุณชอบก็โปรดเชื่อมโยงไปยัง URL นี้การใช้อัลกอริทึมทางพันธุกรรมเพื่อพยากรณ์การตลาดทางการเงินเบอร์ตันแนะนำในหนังสือของเขา A Random Walk Down Wall Street, (1973) ว่าเป็นลิงปิดตาปาเป้าปาเป้าที่หน้าหนังสือพิมพ์การเงินสามารถเลือกผลงานที่จะทำ เช่นเดียวกับที่ผู้เชี่ยวชาญคัดสรรมาอย่างดี ในขณะที่วิวัฒนาการอาจทำให้มนุษย์ไม่ฉลาดมากขึ้นในการหยิบหุ้นทฤษฎี Charles Darwins มีผลค่อนข้างมากเมื่อใช้โดยตรงมากขึ้น อัลกอริธึมทางพันธุกรรม (GAs) เป็นวิธีการแก้ปัญหา (หรือ heuristics) ที่เลียนแบบกระบวนการวิวัฒนาการตามธรรมชาติ ซึ่งแตกต่างจากเครือข่ายประสาทเทียม (ANN) ที่ออกแบบมาเพื่อทำหน้าที่เหมือนเซลล์ประสาทในสมองอัลกอริทึมเหล่านี้ใช้แนวความคิดในการคัดเลือกโดยธรรมชาติเพื่อหาแนวทางแก้ไขปัญหาที่ดีที่สุด ดังนั้นจึงมักใช้ GAs เป็นเครื่องมือเพิ่มประสิทธิภาพเพื่อปรับพารามิเตอร์เพื่อลดหรือเพิ่มการวัดความคิดเห็นบางส่วนซึ่งจะสามารถใช้งานได้อย่างอิสระหรือในการสร้าง ANN ในตลาดการเงิน ขั้นตอนวิธีทางพันธุกรรมมักใช้เพื่อหาค่าผสมของพารามิเตอร์ที่ดีที่สุดในกฎการซื้อขายและสามารถสร้างเป็นโมเดล ANN ออกแบบมาเพื่อรับหุ้นและระบุธุรกิจการค้า งานวิจัยหลายชิ้นแสดงให้เห็นว่าวิธีการเหล่านี้สามารถพิสูจน์ได้ว่ามีประสิทธิภาพรวมทั้งอัลกอริทึมทางพันธุกรรม (Genetic Algorithms: Genesis of Stock Evaluation (2004) โดยพระรามและการประยุกต์ใช้อัลกอริธึมทางพันธุกรรมในการเพิ่มประสิทธิภาพการทำเหมืองข้อมูลในตลาดหลักทรัพย์ (2004) โดยหลินจือวังจาง (เรียนรู้เพิ่มเติมเกี่ยวกับ ANN ดูที่เครือข่ายประสาทเทียม: การคาดการณ์ผลกำไร) วิธีการทำงานของขั้นตอนวิธีทางพันธุกรรมขั้นตอนวิธีทางพันธุกรรมถูกสร้างโดยใช้เวกเตอร์ทางคณิตศาสตร์ซึ่งเป็นปริมาณที่มีทิศทางและขนาด พารามิเตอร์สำหรับกฎการซื้อขายแต่ละตัวจะแสดงด้วยเวกเตอร์แบบหนึ่งมิติที่สามารถคิดได้ว่าเป็นโครโมโซมในแง่ทางพันธุกรรม ในขณะเดียวกันค่าที่ใช้ในแต่ละพารามิเตอร์อาจถูกคิดว่าเป็นยีนซึ่งถูกปรับเปลี่ยนโดยใช้การคัดเลือกโดยธรรมชาติ ตัวอย่างเช่นกฎการซื้อขายอาจเกี่ยวข้องกับการใช้พารามิเตอร์เช่น Moving Average Convergence-Divergence (MACD) ค่าเฉลี่ยเคลื่อนที่ที่เป็นไปได้ (Exponential Moving Average - EMA) และ Stochastics ขั้นตอนวิธีทางพันธุกรรมจะป้อนค่าลงในพารามิเตอร์เหล่านี้โดยมีเป้าหมายเพื่อเพิ่มผลกำไรสูงสุด เมื่อเวลาผ่านไปจะมีการนำเสนอการเปลี่ยนแปลงเล็ก ๆ น้อย ๆ และผู้ที่สร้างผลกระทบที่พึงปรารถนาจะถูกเก็บรักษาไว้สำหรับคนรุ่นต่อไป มีสามประเภทของการดำเนินงานทางพันธุกรรมที่สามารถทำได้: Crossovers แสดงการทำสำเนาและการไขว้ทางชีวภาพที่เห็นในชีววิทยาโดยเด็กจะมีลักษณะบางอย่างของผู้ปกครอง การกลายพันธุ์เป็นตัวแทนของการกลายพันธุ์ทางชีววิทยาและใช้เพื่อรักษาความหลากหลายทางพันธุกรรมจากประชากรหนึ่งรุ่นต่อไปโดยการแนะนำการเปลี่ยนแปลงเล็ก ๆ น้อย ๆ แบบสุ่ม การคัดเลือกเป็นขั้นตอนที่จีโนมแต่ละตัวได้รับการคัดเลือกจากประชากรสำหรับการเพาะพันธุ์ในภายหลัง (recombination หรือ crossover) สามตัวดำเนินการนี้จะใช้ในกระบวนการห้าขั้นตอน: เริ่มต้นประชากรแบบสุ่มโดยที่แต่ละโครโมโซมเป็น n-length โดย n เป็นจำนวนพารามิเตอร์ นั่นคือจำนวนพารามิเตอร์ที่สุ่มตั้งขึ้นโดยมีองค์ประกอบ n แต่ละรายการ เลือกโครโมโซมหรือพารามิเตอร์ที่เพิ่มผลที่พึงประสงค์ (สันนิษฐานว่ากำไรสุทธิ) ใช้ตัวดำเนินการผ่าเผยหรือครอสโอเวอร์กับพ่อแม่ที่เลือกและสร้างลูกหลาน รวมเอาลูกหลานและประชากรปัจจุบันเพื่อสร้างประชากรใหม่ด้วยตัวดำเนินการคัดเลือก ทำซ้ำขั้นตอนที่สองถึงสี่ เมื่อเวลาผ่านไปกระบวนการนี้จะส่งผลให้โครโมโซมที่ดีขึ้น (หรือพารามิเตอร์) เพื่อใช้ในกฎการซื้อขาย กระบวนการนี้จะสิ้นสุดลงเมื่อมีการพบเกณฑ์การหยุดซึ่งอาจรวมถึงเวลาทำงานการออกกำลังกายจำนวนรุ่นหรือเกณฑ์อื่น ๆ (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ MACD อ่าน Trading the MACD Divergence) การใช้อัลกอริธึมทางพันธุกรรมในการซื้อขายขณะที่ขั้นตอนวิธีทางพันธุกรรมถูกใช้โดยสถาบันการเงินในเชิงปริมาณ ผู้ค้ารายย่อยสามารถใช้พลังของอัลกอริทึมทางพันธุกรรมได้โดยไม่ใช้คณิตศาสตร์ขั้นสูงโดยใช้ซอฟต์แวร์หลายชุดในตลาด โซลูชันเหล่านี้มีตั้งแต่แพคเกจซอฟต์แวร์แบบสแตนด์อะโลนที่มุ่งสู่ตลาดการเงินไปยัง Microsoft Excel Add-ons ที่สามารถช่วยในการวิเคราะห์ได้มากยิ่งขึ้น เมื่อใช้แอพพลิเคชันเหล่านี้ผู้ค้าสามารถกำหนดชุดของพารามิเตอร์ที่เหมาะสมแล้วโดยใช้ขั้นตอนวิธีทางพันธุกรรมและชุดข้อมูลทางประวัติศาสตร์ บางแอปพลิเคชันสามารถเพิ่มประสิทธิภาพพารามิเตอร์ที่ใช้และค่าสำหรับพวกเขาในขณะที่คนอื่น ๆ ส่วนใหญ่เน้นเพียงการเพิ่มประสิทธิภาพค่าสำหรับชุดของพารามิเตอร์ที่ระบุ (เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับกลยุทธ์ที่ได้รับจากโครงการเหล่านี้ให้ดูที่ Power of Trades Program) เคล็ดลับการเพิ่มประสิทธิภาพที่สำคัญและเคล็ดลับการออกแบบระบบการซื้อขายรอบข้อมูลในอดีตแทนที่จะเป็นการระบุพฤติกรรมที่ทำซ้ำได้ถือเป็นความเสี่ยงที่อาจเกิดขึ้นกับผู้ค้าที่ใช้ ขั้นตอนวิธีเชิงพันธุกรรม ระบบการซื้อขายที่ใช้ GA ควรได้รับการทดสอบไปข้างหน้าบนกระดาษก่อนใช้งานจริง การเลือกพารามิเตอร์เป็นส่วนสำคัญของกระบวนการและผู้ค้าควรหาค่าพารามิเตอร์ที่สัมพันธ์กับการเปลี่ยนแปลงในราคาของการรักษาความปลอดภัยที่กำหนด ตัวอย่างเช่นลองใช้ตัวชี้วัดที่แตกต่างกันและดูว่ามีความสัมพันธ์กับการเปลี่ยนแปลงตลาดที่สำคัญหรือไม่ ขั้นตอนวิธีทางพันธุกรรมเป็นวิธีที่ไม่ซ้ำกันในการแก้ปัญหาที่ซับซ้อนโดยการควบคุมพลังของธรรมชาติ เมื่อใช้วิธีการเหล่านี้ในการทำนายราคาหลักทรัพย์ผู้ค้าสามารถเพิ่มประสิทธิภาพกฎการซื้อขายโดยระบุค่าที่ดีที่สุดที่จะใช้สำหรับแต่ละพารามิเตอร์เพื่อความปลอดภัยที่กำหนด อย่างไรก็ตามอัลกอริทึมเหล่านี้ไม่ใช่ Holy Grail และผู้ค้าควรระมัดระวังในการเลือกพารามิเตอร์ที่ถูกต้องและไม่พอดีกับเส้นโค้ง (อ่านข้อมูลเพิ่มเติมเกี่ยวกับตลาดตรวจสอบฟังตลาดไม่เก่ง) เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สิน DebtEquity Ratio คืออัตราส่วนหนี้สินที่ใช้ในการวัดอัตราส่วนหนี้สินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้ในการวัดแต่ละบุคคล