跳至正文
返回文库全部文档

用向量遗传编程演化交易策略

文章 arXiv papers · 作者: Rui Menoita et al.
阅读原文

总结

本文探讨如何运用向量遗传编程（VGP）演化金融交易策略。论文介绍了两种变体：一种支持复数运算，另一种采用强类型。研究使用跨度超过七年的数据集，在三种金融工具上将这两种方法与另一种VGP变体及标准遗传编程进行比较。

作者报告称，能够演化出盈利策略；在每项比较中，标准遗传编程都属于表现较弱的方法，而强类型VGP则属于表现较强的方法。这些发现表明，表示方式和类型约束会影响演化策略的质量。描述未指出具体工具，未解释评估设置，也未报告成本、样本外方法或风险指标，因此难以据此判断策略的稳健性或实盘交易可行性。

核心观点

  • 研究将向量遗传编程应用于交易策略演化。
  • 一种提出的变体支持复数运算，另一种则采用强类型。
  • 研究在三种工具上将这些方法与标准遗传编程进行比较。
  • 数据集跨度超过七年，报告称有可能演化出盈利策略。
  • 报告的比较中，标准GP表现相对较弱，而强类型VGP表现相对较好。

标签

机器学习回测股票
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。