رفتن به محتوا
همه اسناد کتابخانه

تکامل استراتژی‌های معاملاتی با برنامه‌نویسی ژنتیک برداری

مقاله arXiv papers · نویسنده: Rui Menoita et al.

خلاصه

این سند برنامه‌نویسی ژنتیک برداری (VGP) را به‌عنوان روشی برای تکامل استراتژی‌های معاملاتی مالی بررسی می‌کند. دو گونه را معرفی می‌کند: یکی از عملیات اعداد مختلط پشتیبانی می‌کند و دیگری از نوع‌دهی قوی بهره می‌گیرد. عملکرد آن‌ها در سه ابزار مالی با گونه دیگری از VGP و برنامه‌نویسی ژنتیک استاندارد مقایسه می‌شود؛ مجموعه‌داده‌ها بیش از هفت سال را پوشش می‌دهند.

نویسندگان گزارش می‌کنند که توانسته‌اند استراتژی‌های سودآور تکامل دهند و برنامه‌نویسی ژنتیک استاندارد در همه مقایسه‌ها جزو ضعیف‌ترین رویکردها بوده، در حالی که VGP با نوع‌دهی قوی جزو قوی‌ترین‌ها قرار گرفته است. این یافته‌ها نشان می‌دهند که بازنمایی و محدودیت‌های نوع‌دهی می‌توانند بر کیفیت استراتژی‌های تکامل‌یافته اثر بگذارند. توضیحات، ابزارها را معرفی نمی‌کند و جزئیاتی از چارچوب ارزیابی، هزینه‌ها، روش خارج از نمونه یا سنجه‌های ریسک نمی‌دهد؛ بنابراین مبنای محدودی برای قضاوت درباره استحکام راهبردها یا امکان‌پذیری آن‌ها در معامله زنده فراهم می‌کند.

ایده‌های کلیدی

  • برنامه‌نویسی ژنتیک برداری برای تکامل استراتژی‌های معاملاتی به کار گرفته می‌شود.
  • یکی از گونه‌های پیشنهادی از عملیات اعداد مختلط پشتیبانی می‌کند و دیگری نوع‌دهی قوی را اعمال می‌کند.
  • روش‌ها با برنامه‌نویسی ژنتیک استاندارد در سه ابزار مقایسه می‌شوند.
  • مجموعه‌داده‌ها بیش از هفت سال را پوشش می‌دهند و گزارش شده است که می‌توان به استراتژی‌های سودآور دست یافت.
  • در مقایسه‌های گزارش‌شده، GP استاندارد عملکرد نسبتاً ضعیفی دارد، درحالی‌که VGP با نوع‌دهی قوی عملکرد نسبتاً خوبی دارد.

برچسب‌ها

متن کامل
# Evolving Financial Trading Strategies with Vectorial Genetic Programming


# Evolving Financial Trading Strategies with Vectorial Genetic Programming









Establishing profitable trading strategies in financial markets is a challenging task. While traditional methods like technical analysis have long served as foundational tools for traders to recognize and act upon market patterns, the evolving landscape has called for more advanced techniques. We explore the use of Vectorial Genetic Programming (VGP) for this task, introducing two new variants of VGP, one that allows operations with complex numbers and another that implements a strongly-typed version of VGP. We evaluate the different variants on three financial instruments, with datasets spanning more than seven years. Despite the inherent difficulty of this task, it was possible to evolve profitable trading strategies. A comparative analysis of the three VGP variants and standard GP revealed that standard GP is always among the worst whereas strongly-typed VGP is always among the best.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.