Разделы



Методология   тестирования

Ниже приводятся шаги, необходимые для эволюционного создания мо­дели входа, основанной на шаблонах правил, используемых в этом иссле­довании:

1.        Выберите произвольную хромосому с 12 элементами. Она представляет собой потенциальное решение (случайное и, ве­роятно, не очень хорошее).

2.        Поставьте в соответствие каждому параметру правил опреде­ленное число, чтобы получить три полностью определенных правила (одно для каждого гена), и определите значение ИСТИНА/ЛОЖЬ для всех дней во временном ряду.

3.      Обработайте ценовые данные день за днем. Если в данный день
все три правила возвращают значение ИСТИНА и если нет те­
кущей длинной (или короткий) позиции, то модель получает
рыночный приказ на покупку (или продажу) при завтрашнем
открытии.

4.        Если имеется позиция, используйте стандартную стратегию выхода для осуществления выхода.

5.        Оцените торговую эффективность потенциального решения. Для этого определите пригодность решения как соотноше­ние риск/прибыль в годовом выражении — величина, кото­рая фактически является значением {-критерия.

6.. Сообщите генетическому оптимизатору, насколько пригодно (в вышеупомянутом смысле) потенциальное решение (хромо­сома) . Это позволит генетическому оптимизатору обновить по­пуляцию хромосом.

7.        Если решение отвечает определенным критериям, то следует сгенерировать сводку эффективности системы и другую ин­формацию и сохранить эти данные в файле для последующе­го рассмотрения.

8.        Повторять вышеупомянутые шаги снова и снова до тех пор, пока не пройдет достаточное число поколений.

Так как вышеупомянутые шаги повторяются, решения или поколе­ния, созданные генетическим оптимизатором, в среднем становятся луч­ше и лучше. Большое количество отдельных эффективных решений по­явится в течение эволюционного процесса. Большинство решений будет записано в файле, созданном в ходе неоднократного выполнения первых семи вычислительных шагов. Ниже будет рассмотрен код, написанный на C ++, который осуществляет вышеупомянутые шаги.

Из-за природы правил, вероятно, будет различным поведение моде­лей при открытии длинных и коротких позиций. В связи с этим модели входа для длинных позиций найдены и проверены отдельно от моделей входа для коротких позиций. Эффективность модели оценивается на всем портфеле. Цель состоит в том, чтобы найти набор правил, которые обес­печивают наилучшую эффективность торговли всем портфелем финан­совых инструментов. Процедура, используемая здесь, отличается от на­ших более ранних исследований (Katz , McCormick , февраль 1997), где по­иск оптимальных правил проводился на каждом рынке в отдельности -— подход, в большей степени подверженный эффектам вредной подгон­ки под исторические данные. Напомним вывод, полученный в отноше­нии нескольких моделей, которые были первоначально оптимизированы на индивидуальных инструментах: при использовании одной модели для всех рынков без оптимизации или настройки под отдельный рынок эф­фективность данной модели может существенно понизиться. В нижесле­дующих тестах использовалась стандартная платформа C ++, стандарт­ные приказы входа и стратегия выхода.

п»ї



 



 



 


C ++ код описывает шаблоны правил и стратегию торговой системы. Шаблоны правил определяются с помощью функции Rules . Аргументы v 1, v 2, v 3 и v 4 (четыре числа, которые содержит каждый ген) несут всю ин­формацию, требуемую для реализации шаблонов правил. Аргумент v 1 используется для выбора требуемого шаблона правила из 10 доступных; аргументы v 2, v 3 и v 4 используются для определения требуемых парамет­ров каждого правила (направления сравнения, периоды скользящих сред­них и т.д.). Затем правило оценивается на всех днях, и оценки (1 для ИСТИНА, 0 для ЛОЖЬ) помещаются в вектор cms , возвращающий резуль­таты функции.

Макрос BiasedPosScale (x , а) используется для создания соответствия между целыми числами от 0 до 1000 и непрерывным диапазоном от 0 до а. Макрос используется, чтобы вычислить периоды обратного обзора для определения ценовых экстремумов и периоды скользящих средних v 2, v 3 или v 4, значения которых получены из генетического алгоритма и прону­мерованы целыми числами от 0 до 1000. Соответствие между номерами от 1 до 1000 и числами из диапазона от 0 до а нелинейно — оно устроено так, чтобы можно было более детально исследовать меньшие значения параметров. Например, предположим, что период скользящего среднего изменяется от 2 до 100 дней. Необходимо с одинаковой точностью произ­водить выбор лучшего решения между периодами 2, 3 и 4 и периодами 30, 50 и 90. Точность поиска должна быть выше для маленьких чисел. Это свя­зано с тем, что изменение периода скользящего среднего от 2 до 5 дней сильнее повлияет на результаты торговли, чем изменение от 50 до 60.

Занятия Forex - это великолепная возможность для Вас подготовиться к прибыльной работе на бирже Forex!

Макрос LinearScale (x , а, b ) выполняет линейную адресацию целочис­ленного диапазона 0 ... 1000 к диапазону а ... . Макрос обычно использу­ется при вычислении порогов или отклонений. В коде шаблона правила все параметры вычислены внутри функции Rules , а не внутри ГА. Генетическии алгоритм имеет инструкцию генерировать числа в диапазоне от 0 до 1000, за исключением элементов хромосом 1, 5 и 9, которые являются первыми числами в каждом гене и используются в качестве селекторов шаблонов правил. Масштабирование проводится внутри функции Rules , так как шаблоны для различных видов правил имеют различные диапазо­ны изменения параметров и контрольных значений.

п»ї

Процесс эволюции торговых систем начинается со случайного выбо­ра значений хромосомы. Генетический оптимизатор выбирает два члена популяции и спаривает их (исходя из определения скрещивания, нормы мутации и размера гена). Затем полученное потомство возвращается как потенциальное решение. Когда компоненту ГА сообщают об эффектив­ности полученного решения, он сравнивает ее с наименее пригодным чле­ном популяции. Если пригодность потомства больше, чем у наименее при­годного члена, то ГА заменяет наименее пригодный член решения полу­ченным потомством. Этот процесс повторяется в течение нескольких по­колений и осуществляется с помощью программной оболочки (не приве­денной в данной книге), которая, в свою очередь, делает повторные запросы к функции Model для моделирования торговли и оценки пригод­ности системы.

Код функции Model почти идентичен используемому в более ранних главах. До цикла индексации дней, в котором генерируются приказы для торговли, функция Rules вызывается три раза (один раз для каждого гена), и результаты помещаются во временные ряды rule 1, rule 2 и ruleЗ. При этом также подсчитывается средний истинный диапазон за последние 50 дней, поскольку это необходимо для стандартного выхода и оценки правил. Внут­ри цикла оценивание правил производится для текущего дня (rulel[cb], rule2[cb], rule3[cb]), и если все оценки возвращают значение ИСТИНА, то генерируется сигнал на покупку (или продажу, если исследуются входы в короткую позицию). Входы запрограммированы стандартным способом для каждого из трех тестируемых приказов. В эволюционном процессе используются только данные из выборки.

Выходные данные, полученные от программной оболочки, позволяют выбрать желаемое решение, которое можно использовать в торговле от­дельно или в группе моделей. Решения могут быть легко сформулирова­ны как понятные правила для оценки их физического смысла и исполь­зования их в качестве элементов других систем.

РЕЗУЛЬТАТЫ ТЕСТОВ

Были выполнены шесть тестов. Эволюционный процесс использовался для поиска оптимальных правил входа в длинные и короткие позиции с каж­дым из трех приказов для входа: по цене открытия, стоп-приказу и лимит­ному приказу. Во всех случаях было создано 2500 поколений генетической обработки. Задача вычисления всех решений и сохранения их в фай­лы потребовала всего несколько часов на быстром Pentium , что демонст­рирует практическую пригодность этого метода. Для каждого теста гене­тический процесс произвел табличный файл (GFiles от 1 до 6), состоящий из строк, соответствующих каждому из поколений. Таким образом, каж­дая строка представляет определенное решение. Большинство ранних решений были мало пригодными для торговли, но качество решений улуч­шалось с появлением новых поколений, что характерно для ГА. Каждая строка содержит информацию относительно эффективности отдельного решения — набора параметров, который представляет ген, содержащий­ся в полной хромосоме.

Были выбраны лучшие решения для входа в длинную и короткую по­зицию по цене открытия. Эти решения использовались для проведения шести тестов, результаты которых приведены ниже. В частности, было протестировано решение, которое обеспечивало лучший вход в длинную позицию по цене открытия, и его эффективность была оценена обычным способом на обеих выборках. То же самое решение было проверено и оценено с входом по стоп-приказу и лимитному приказу. Такая же про­цедура была проведена для коротких позиций: было определено лучшее решение для входа в короткую позицию по цене открытия. Затем реше­ние было проверено на обеих выборках с каждым из двух типов прика­зов. Мы не отбирали отдельное оптимальное решение для каждого типа приказа, потому что такие действия не позволят сравнить эффективность различных видов приказов. Например, оптимальный вход по цене откры­тия может давать модель пробоя, в то время как оптимальный вход по стоп-приказу может наблюдаться при использовании противотрендовой модели ценового импульса. Эти модели никак не связаны друг с другом, и их результаты ничего не говорят об общей эффективности различных видов приказов. Поэтому мы сначала искали наилучшую модель с рыноч­ным приказом по цене открытия, а затем тестировали найденную модель с другими видами приказов. Поскольку модель остается неизменной, этот подход позволяет делать значимые сравнения различных типов приказов.

Читать далее: Решения для входов в длинную позицию