Verwendung genetischer Algorithmen zur Prognose von Finanzmärkten

In „A Random Walk Down Wall Street“ (1973) schlug Burton Malkiel vor: „Ein Affe mit verbundenen Augen, der Pfeile auf die Finanzseiten einer Zeitung wirft, könnte ein Portfolio auswählen, das genauso gut abschneiden würde wie eines, das von Experten sorgfältig ausgewählt wurde.“ Während die Evolution den Menschen bei der Auswahl von Aktien vielleicht nicht intelligenter gemacht hat, hat sich Charles Darwins Theorie bei direkterer Anwendung als effektiv erwiesen.

Genetische Algorithmen sind einzigartige Möglichkeiten, komplexe Probleme zu lösen, indem sie die Kraft der Natur nutzen. Durch die Anwendung dieser Methoden auf die Vorhersage von Wertpapierpreisen können Händler die Handelsregeln optimieren, indem sie die besten Werte für jeden Parameter für ein bestimmtes Wertpapier ermitteln.

Die zentralen Thesen

  • Komplexe Computeralgorithmen, die auf Regeln der Genetik und Evolutionstheorie basieren, haben in letzter Zeit einige Erfolge im Wertpapierhandel verzeichnet.
  • Durch die Anwendung dieser Methoden auf die Vorhersage von Wertpapierpreisen können Händler die Handelsregeln optimieren und neue Strategien entwickeln.
  • Einzelne Händler können die Leistungsfähigkeit genetischer Algorithmen mithilfe mehrerer auf dem Markt befindlicher Softwarepakete nutzen.

Was sind genetische Algorithmen?

Genetische Algorithmen (GAs) sind Methoden zur Problemlösung (oder Heuristik), die den Prozess der natürlichen Evolution nachahmen. Im Gegensatz zu künstlichen neuronalen Netzen (KNN), die wie Neuronen im Gehirn funktionieren, nutzen diese Algorithmen die Konzepte der natürlichen Selektion, um die beste Lösung für ein Problem zu ermitteln.

Infolgedessen werden GAs häufig als Optimierer verwendet, die Parameter anpassen, um ein Feedback-Maß zu minimieren oder zu maximieren, das dann unabhängig oder beim Aufbau eines KNN verwendet werden kann. (Weitere Informationen zu KNN finden Sie unter: Neuronale Netze: Gewinnprognosen.)

An den Finanzmärkten werden am häufigsten genetische Algorithmen verwendet, um die besten Kombinationswerte von Parametern in einer Handelsregel zu finden, und sie können in KNN-Modelle eingebaut werden, die entwickelt wurden, um Aktien auszuwählen und Trades zu identifizieren.

Mehrere Studien haben die Wirksamkeit dieser Methoden nachgewiesen, darunter „ Genetic Algorithms: Genesis of Stock Evaluation “ (2004) und „ The Applications of Genetic Algorithms in Stock Market Data Mining Optimization “ (2004). (Weitere Informationen finden Sie unter:  Wie Handelsalgorithmen erstellt werden.)

Wie genetische Algorithmen funktionieren

Genetische Algorithmen werden mathematisch unter Verwendung von Vektoren erstellt, bei denen es sich um Größen mit Richtung und Größe handelt. Parameter für jede Handelsregel werden durch einen eindimensionalen Vektor dargestellt, der sich genetisch als Chromosom vorstellen kann. Inzwischen kann man sich die in jedem Parameter verwendeten Werte als Gene vorstellen, die dann durch natürliche Selektion modifiziert werden.

Zum Beispiel kann eine Handelsregel die Verwendung von Parametern wie der Konvergenzdivergenz des  gleitenden Durchschnitts  (MACD), eines  exponentiellen gleitenden Durchschnittes  (EMA) und der Stochastik beinhalten. Ein genetischer Algorithmus würde dann Werte in diese Parameter eingeben, um den Nettogewinn zu maximieren. Im Laufe der Zeit werden kleine Änderungen eingeführt, und diejenigen, die eine wünschenswerte Wirkung haben, werden für die nächste Generation beibehalten.

(Siehe auch:  Grundlagen des algorithmischen Handels.)

Es gibt drei Arten von genetischen Operationen, die dann durchgeführt werden können:

  • Crossovers stellen die in der Biologie gesehene Reproduktion und Crossover dar, wobei ein Kind bestimmte Eigenschaften seiner Eltern annimmt.
  • Mutationen stellen biologische Mutationen dar und werden verwendet, um die genetische Vielfalt von einer Generation einer Population zur nächsten aufrechtzuerhalten, indem zufällige kleine Veränderungen eingeführt werden.
  • Selektionen sind das Stadium, in dem einzelne Genome aus einer Population für die spätere Züchtung (Rekombination oder Crossover) ausgewählt werden.

Diese drei Operationen werden dann in einem fünfstufigen Prozess verwendet:

  1. Initialisieren Sie eine zufällige Population, bei der jedes Chromosom eine Länge von n hat, wobei n die Anzahl der Parameter ist. Das heißt, es wird eine zufällige Anzahl von Parametern mit jeweils n Elementen festgelegt.
  2. Wählen Sie die Chromosomen oder Parameter aus, die die gewünschten Ergebnisse steigern (vermutlich Nettogewinn).
  3. Wenden Sie Mutations- oder Crossover-Operatoren auf die ausgewählten Eltern an und erzeugen Sie einen Nachkommen.
  4. Rekombinieren Sie die Nachkommen und die aktuelle Population, um mit dem Selektionsoperator eine neue Population zu bilden.
  5. Wiederholen Sie die Schritte zwei bis vier.

Im Laufe der Zeit wird dieser Prozess zu immer günstigeren Chromosomen (oder Parametern) für die Verwendung in einer Handelsregel führen. Der Prozess wird dann beendet, wenn Abbruchkriterien erfüllt sind, die Laufzeit, Fitness, Generationenanzahl oder andere Kriterien umfassen können.

Verwendung genetischer Algorithmen im Handel

Während genetische Algorithmen in erster Linie von institutionellen quantitativen Händlern verwendet werden, können einzelne Händler die Leistungsfähigkeit genetischer Algorithmen – ohne Abschluss in fortgeschrittener Mathematik – mithilfe mehrerer auf dem Markt erhältlicher Softwarepakete nutzen.

Diese Lösungen reichen von eigenständigen Softwarepaketen, die auf die Finanzmärkte ausgerichtet sind, bis hin zu Microsoft Excel-Add-Ons, die eine praktischere Analyse ermöglichen.

Bei Verwendung dieser Anwendungen können Händler eine Reihe von Parametern definieren, die dann mithilfe eines genetischen Algorithmus und einer Reihe historischer Daten optimiert werden. Einige Anwendungen können die verwendeten Parameter und deren Werte optimieren, während andere hauptsächlich darauf ausgerichtet sind, einfach die Werte für einen bestimmten Parametersatz zu optimieren.

Kurvenanpassung (dh Überanpassung ) oder das Entwerfen eines Handelssystems um historische Daten herum, anstatt wiederholbares Verhalten zu identifizieren, stellt ein potenzielles Risiko für Händler dar, die genetische Algorithmen verwenden. Jedes Handelssystem, das GAs verwendet, sollte vor der Live-Nutzung auf Papier einem Forward-Test unterzogen werden.

Die Auswahl von Parametern ist ein wichtiger Teil des Prozesses, und Händler sollten nach Parametern suchen, die mit Änderungen des Preises eines bestimmten Wertpapiers korrelieren. Probieren Sie zum Beispiel verschiedene Indikatoren aus, um zu sehen, ob einige mit großen Marktumdrehungen zu korrelieren scheinen.

Die Quintessenz

Diese Algorithmen sind nicht der Heilige Gral, und Händler sollten darauf achten, die richtigen Parameter und nicht die Kurvenanpassung zu wählen.

(Für weitere Lesung, Check – out: Auswahl der richtigen Algorithmic Trading Software, The Power of Programm Trades, und  wie man Code Ihre eigene Algo Trading Robot.)