Эволюция торговых стратегий с помощью векторного генетического программирования

Сводка

В документе рассматривается векторное генетическое программирование (VGP) для эволюции финансовых торговых стратегий. Представлены два варианта: один поддерживает операции с комплексными числами, другой использует строгую типизацию. Их результаты сравниваются с другим вариантом VGP и стандартным генетическим программированием на трёх финансовых инструментах и наборах данных, охватывающих более семи лет.

Авторы сообщают, что удалось эволюционировать прибыльные стратегии; стандартное генетическое программирование оказалось среди наименее эффективных подходов во всех сравнениях, а строго типизированный VGP — среди наиболее эффективных. Результаты позволяют предположить, что представление и ограничения типов могут влиять на качество эволюционирующих стратегий. В описании не указаны инструменты, схема оценки, издержки, методика проверки вне выборки или показатели риска, поэтому судить об устойчивости стратегий и их применимости в реальной торговле можно лишь ограниченно.

Ключевые идеи

• Векторное генетическое программирование применяется для эволюции торговых стратегий.
• Один из предложенных вариантов поддерживает операции с комплексными числами, другой обеспечивает строгую типизацию.
• Методы сравниваются со стандартным генетическим программированием на трёх инструментах.
• Наборы данных охватывают более семи лет; сообщается, что удалось получить прибыльные стратегии.
• Стандартный GP показывает сравнительно слабые результаты в приведённых сравнениях, а строго типизированный VGP — сравнительно сильные.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.