Hay un gran cuerpo de literatura sobre el éxito de la aplicación de los algoritmos evolutivos en general, y el algoritmo genético en particular, a los mercados financieros. Sin embargo, me siento incómodo al leer esta literatura. Los algoritmos genéticos pueden sobre-ajustarse a los datos existentes. Con tantas combinaciones, es fácil llegar a unas cuantas reglas que funcionan. Puede que no sea robusto y no tenga una explicación consistente de por qué esta regla funciona y esas reglas no van más allá del mero argumento (circular) de que funciona porque la prueba muestra que funciona. ¿Cuál es el consenso actual sobre la aplicación del algoritmo genético en finanzas preguntó Feb 18 11 a las 9:00 Ive trabajó en un fondo de cobertura que permitió GA-estrategias derivadas. Por seguridad, se requería que todos los modelos fueran presentados mucho antes de la producción para asegurarse de que todavía trabajaban en los backtests. Así que podría haber un retraso de hasta varios meses antes de que un modelo se le permite correr. También es útil para separar el universo de la muestra utilizar una mitad al azar de las poblaciones posibles para el análisis GA y la otra mitad para los backtests de confirmación. ¿Es eso un proceso diferente al que usarías antes de confiar en cualquier otra estrategia comercial? (Si es así, no está claro para mí lo que ganas de hacer un modelo de GA usando los datos al tiempo t, luego prueba hasta tN antes de confiar en él, Al tiempo tN, probando de tN a t, y usarlo inmediatamente.) Ndash Darren Cook Nov 23 11 at 2:08 DarrenCook un problema que veo es que si usted prueba de tN a t y encontrar que doesn39t funciona bien, entonces youre Para crear otro modelo que se prueba en ese mismo período de tiempo tN a t (ad infinitum). Esto introduce la probabilidad de quotmetaquot-overfitting durante el proceso de creación del modelo. Ndash Chan-Ho Suh Jul 22 15 at 5:24 Con respecto a la snooping de datos, si una GA se implementa correctamente, que shouldn39t ser una preocupación. Las funciones de mutación se incluyen específicamente para buscar aleatoriamente en el espacio del problema, y evitar el seguimiento de datos. Dicho esto, encontrar los niveles de mutación adecuados puede ser algo de un arte y si los niveles de mutación son demasiado bajos, entonces es como si la función no se hubiera implementado en primer lugar. Ndash BioinformaticsGal Apr 6 11 at 16:28 BoinformaticsGal No entiendo cómo la inclusión de las funciones de mutación nos permite evitar el snooping de datos. Después de la búsqueda, hay una función de acondicionamiento físico que hace que cada generación tenga más datos. ¿O no estoy entendiendo correctamente Ndash Vishal Belsare Hay muchas personas aquí hablando de cómo GAs son empíricas, no tienen fundamentos teóricos, son cajas negras, y similares. Me permito diferenciar Theres toda una rama de la economía dedicada a mirar los mercados en términos de metáforas evolutivas: Economía Evolutiva Recomiendo encarecidamente el libro Dopfer, The Evolutionary Foundations of Economics, como una introducción. Cambridge. org/gb/knowledge/isbn/item1158033sitelocaleenGB Si su punto de vista filosófico es que el mercado es básicamente un casino gigante, o un juego, entonces un GA es simplemente una caja negra y no tiene ningún fundamento teórico. Sin embargo, si su filosofía es que el mercado es una supervivencia de la ecología más apta, GAs tiene un montón de fundamentos teóricos, y su perfectamente razonable para discutir cosas como la especiación corporativa, ecologías de mercado, genomas de cartera, climas comerciales y la me gusta. Respondió Apr 5 11 at 15:42 En escalas de tiempo corto es más un casino. Como la naturaleza, de hecho. Ndash quantdev Apr 5 11 at 20:46 quantdev, el problema con esto es que GA - como cualquier otro método cuantitativo - sólo funciona con escala de tiempo corto, si no me equivoco. Así que si el mercado de valores es más como un mercado de valores, entonces GA sería completamente inútil. Ndash Graviton Apr 6 11 en 8:56 Graviton. No hay una razón inherente por la cual no se pueda programar una GA para hacer análisis a intervalos de tiempo más largos. El dominio del tiempo de una GA se mide en generaciones, no en años o días. Por lo tanto, sólo habría que definir una población que contiene individuos cuyas generaciones son años o décadas de largo (es decir, corporaciones). Definitivamente ha habido un trabajo que se aproxima a la definición de 39 genomas empresariales39 por sus procesos de producción. En tal modelo, se optimizaría para un modelo de negocio corporativo eficiente, dado un clima de mercado particular. Sin embargo, no es un modelo de cartera de precios de acciones. Ndash BioinformaticsGal Asumiendo que evitar el sesgo de datos-snooping y todos los posibles peligros de usar el pasado para predecir el futuro, confiar en los algoritmos genéticos para encontrar la solución correcta prácticamente se reduce a la misma apuesta que usted hace cuando Gestionar activamente una cartera, ya sea cuantitativa o discrecional. Si usted cree en la eficiencia del mercado, entonces el aumento de sus costos de transacción de la gestión activa es ilógico. Si, sin embargo, usted cree que hay patrones estructurales amp patrones psicológicos o defectos que se explotan y la recompensa vale la pena el tiempo y dinero para investigar e implementar una estrategia de la elección lógica es la gestión activa. Ejecutar una estrategia derivada de GA es una apuesta implícita contra la eficiencia del mercado. Usted está básicamente diciendo que creo que hay errores de valuación que se producen por alguna razón (masas de gente irracional, los fondos mutuos de pastoreo debido a los incentivos mal alineados, etc) y ejecutar este GA puede clasificar esta masa de datos de manera más rápida de lo que puedo . Respondió Feb 18 11 at 15:49 manejar manualmente una cartera activa implica el uso de toda la información que tenemos y derivar una conclusión lógica sobre el mercado y luego ejecutar estrategias en ella esta es una actividad racional. OTOH, usando GA está utilizando una herramienta de caja negra, no podemos explicar el resultado derivado de ella de cualquier principio aceptado. No estoy seguro de si estos dos son realmente los mismos. Ndash Graviton Feb 18 11 at 15:57 Graviton Sí, pero considere las similitudes entre GA39s y cómo nosotros los seres humanos aprendemos acerca de los mercados, desarrollar estrategias, aprender de los errores y adaptarnos a las cambiantes condiciones del mercado. Cuando investiga qué ganancias o pérdidas de acciones tienen en común, o qué patrones de volumen y precio crean buenos oficios, o qué modelo es el más preciso para valorar los derivados, lo que está haciendo es extraer datos del pasado de alguna manera. Cuando las condiciones del mercado lo cambian o negocian nuevas estrategias o eventualmente salen del negocio. Si hay márgenes explotables en el mercado entonces la única diferencia entre usted y un GA es ndash Joshua Chance Feb 18 11 at 16:46 Graviton (en un sentido muy amplio) es que usted tiene una narración, una historia para ir con su estrategia . Nosotros los humanos nos arriesgamos a encontrar un patrón aparentemente recurrente y luego racionalizarlo y crear una narrativa. GA39s arriesgan lo mismo, sólo su modelo potencialmente falso no usa palabras, usan matemáticas y lógica. Ndash Joshua Chance Feb 18 11 at 16:54 El fallecido Thomas Cover. (Probablemente el principal teórico de la información de su generación), consideró los enfoques universales de cosas como la compresión de datos y las asignaciones de cartera como verdaderos algoritmos genéticos. La evolución no tiene parámetros para encajar o entrenar. ¿Por qué los verdaderos algoritmos genéticos Los enfoques universales no hacen suposiciones acerca de la distribución subyacente de los datos. Ellos no hacen ningún intento de predecir el futuro de los patrones o cualquier otra cosa. La efectividad teórica de los enfoques universales (presentan desafíos significativos de implementación, ver mi reciente pregunta: Geometría para portfolios universales) se sigue de ellos haciendo lo que la evolución exige. Los más rápidos, inteligentes o fuertes no sobreviven necesariamente en la próxima generación. La evolución favorece ese gen, organismo, meme, cartera, o algoritmo de la compresión de datos posicionado para adaptarse lo más fácilmente a lo que sucede después. Además, debido a que estos enfoques no hacen suposiciones y operan de forma no paramétrica, se pueden considerar todas las pruebas, incluso en todos los datos históricos, como fuera de la muestra. Ciertamente tienen limitaciones, ciertamente no pueden trabajar para todos los tipos un problema que enfrentamos en nuestro dominio, pero gee, qué interesante manera de pensar sobre las cosas. El objetivo de un algoritmo genético es encontrar la mejor solución sin pasar por todos los posibles escenarios porque sería demasiado largo. Así que, por supuesto, es la curva de ajuste, esa es la meta. Respondió Mar 6 11 at 20:40 Pero hay una diferencia significativa entre superponer la muestra (mala) y ajustar la población (buena). Es por eso que muchos sugieren que la validación cruzada de su algoritmo con fuera de la muestra de pruebas. Se ha utilizado desde entonces en muchos estudios para predecir los movimientos cotidianos de los precios de las acciones y se ha demostrado que superan las redes neuronales (Tay y Cao, 2001 Kim, 2003, Huang et al., 2005 Chen y Shih, 2006). Se han utilizado una variedad de otros enfoques de aprendizaje mecánico, incluyendo el aprendizaje de refuerzo (O et al., 2006), el arranque evolutivo (Lebaron, 1998) y el análisis de componentes principales (Towers y Burgess, 1999) para pronosticar los mercados financieros. Aunque muchos de estos estudios indican que superan sus puntos de referencia, hemos descubierto que la mayoría de los enfoques muestran grandes disminuciones en las ganancias y un comportamiento de conmutación grande y excesivo que resulta en costos de transacción muy altos. RESUMEN: Los efectos de la estacionalidad y las regularidades empíricas en los datos financieros han sido bien documentados en la literatura de economía financiera durante más de siete décadas. Este artículo propone un sistema experto que utiliza nuevas técnicas de aprendizaje automático para predecir el rendimiento de los precios de estos eventos estacionales, y luego utiliza estas predicciones para desarrollar una estrategia comercial rentable. Mientras que los enfoques simples para el comercio de estas regularidades pueden resultar rentables, tales negociación conduce a grandes retiros potenciales (pico de la disminución a través de una inversión medida como un porcentaje entre el pico y el mínimo) en el beneficio. En este artículo introducimos un sistema de comercio automatizado basado en conjuntos de bosques aleatorios ponderados por el desempeño que mejoran la rentabilidad y la estabilidad de los eventos de estacionalidad comercial. Se realiza un análisis de diversas técnicas de regresión, así como una exploración de los méritos de varias técnicas de ponderación de expertos. El rendimiento de los modelos se analiza utilizando una gran muestra de existencias del DAX. Los resultados muestran que los conjuntos ponderados por récord de bosques al azar producen resultados superiores en términos de rentabilidad y precisión de predicción en comparación con otras técnicas de conjunto. También se encuentra que el uso de efectos de estacionalidad produce resultados superiores que no tenerlos modelados explícitamente. Full-text Artículo Jun 2014 Ash Booth Enrico Gerding Frank McGroarty quotLeBaron 47 aplicó bootstrapping para capturar las oportunidades de arbitraje en el mercado de divisas y luego utilizó una red neuronal donde su arquitectura de red fue determinada a través de un proceso evolutivo. Finalmente, Towers y Burgess 62 usaron componentes principales para captar oportunidades de arbitraje. RESUMEN: Proponemos un sistema de negociación automatizado multi-stock que se basa en una estructura de capas que consiste en un algoritmo de aprendizaje automático, una utilidad de aprendizaje en línea y una superposición de gestión de riesgos. El algoritmo alternativo de decisión (ADT), que se implementa con Logitboost, fue elegido como el algoritmo subyacente. Una de las fortalezas de nuestro enfoque es que el algoritmo es capaz de seleccionar la mejor combinación de reglas derivadas de los conocidos indicadores de análisis técnico y también es capaz de seleccionar los mejores parámetros de los indicadores técnicos. Además, la capa de aprendizaje en línea combina la salida de varios ADT y sugiere una posición corta o larga. Por último, la capa de gestión de riesgos puede validar la señal de negociación cuando supera un umbral no cero especificado y limitar la aplicación de nuestra estrategia de negociación cuando no es rentable. Probamos el algoritmo de ponderación de expertos con datos de 100 empresas seleccionadas al azar del índice SampP 500 durante el período 2003-2005. Encontramos que este algoritmo genera retornos anormales durante el período de prueba. Nuestros experimentos muestran que el enfoque de impulso es capaz de mejorar la capacidad predictiva cuando los indicadores se combinan y se agregan como un único predictor. Aún más, la combinación de indicadores de diferentes poblaciones demostró ser adecuada para reducir el uso de recursos computacionales y mantener una capacidad predictiva adecuada. Article Apr 2010 Creamer Alemán Yoav FreundControllar la no estatización en el arbitraje estadístico utilizando una cartera de modelos de cointegración Ver resumen Ocultar el resumen RESUMEN:. En el contexto de una estrategia de negociación dinámica, el propósito último de cualquier modelo de pronóstico es elegir acciones que resulten en la optimización del objetivo comercial. En este trabajo desarrollamos una metodología para optimizar una función objetivo, utilizando una regla de decisión parametrizada, para un modelo de predicción dado. Simulamos el rendimiento esperado para diferentes parámetros de decisión y niveles de precisión de predicción. A continuación, aplicamos la técnica a un modelo de pronóstico de precios erróneos dentro de un grupo de índices de renta variable. Mostramos que la optimización de la regla de decisión propuesta puede aumentar el Índice de Sharpe anualizado en un factor de 1.7 sobre una regla de decisión ingenua. 1 Introducción En los últimos años se han dedicado considerables esfuerzos de investigación al desarrollo de modelos de pronóstico financiero que intentan explotar la dinámica de los mercados financieros. La investigación en la predicción financiera ha aplicado y extendido a menudo las técnicas desarrolladas en los campos del aprendizaje de la máquina, no-p. Artículo Febrero 1970 N. Towers A. N. Burgess Mostrar el resumen Ocultar el resumen RESUMEN:. En este artículo implementamos estrategias de negociación para modelos de predicción de precios de activos usando reglas de decisión parametrizadas. Desarrollamos un entorno de comercio sintético para investigar los efectos relativos, en términos de rentabilidad, de la modificación del modelo de pronóstico y de la regla de decisión. Mostramos que la implementación de la regla de negociación puede ser tan importante para el rendimiento comercial como la capacidad predictiva del modelo de pronóstico. Aplicamos estas técnicas a un ejemplo de un modelo de pronóstico generado a partir de una valoración quotstatistical intradiaria de una combinación de índices de renta variable. Los resultados indican que la optimización de las reglas de decisión puede mejorar significativamente el rendimiento comercial, con el Índice de Sharpe anualizado aumentando hasta un factor de dos sobre una norma de negociación de la nave. Para lograr este nivel de aumento de rendimiento a través del modelo de pronóstico solo se requeriría una mejora de 50 en la precisión de la predicción. 1 Introducción En los últimos años, se ha dedicado una cantidad considerable de investigación. Artículo Mar 1999 N. Towers A. N. Burgess Sussex Place
No comments:
Post a Comment