فاکتور سود فارکس چیست؟

دانشگاه شارجه ، شارجه ، امارات

ایمیل: [email protected] ، amibrahim@sharjah. ac. ae

کپی رایت © 2014 توسط نویسنده و انتشارات تحقیقات علمی شرکت

این کار تحت مجوز بین المللی Creative Commons Attribution (CC توسط) مجاز است.

دریافت 6 آوریل 2014 ؛اصلاح شده 28 آوریل 2014 ؛پذیرفته شده 11 مه 2014

[22] مجموعه دیجیتال Shaderbank Genshade 1999-2014 ، کلمات کلیدی: مجموعه Shaderbank. www.turbosquid.com

ما برای تولید خودکار مشاوران متخصص ، برنامه های رایانه ای که به طور خودکار در بازارهای مالی تجارت می کنند ، یک رویکرد الگوریتم ژنتیکی ایجاد کرده ایم. سیستم ما ، که به عنوان Genfx یا ژنتیکی فارکس شناخته می شود ، استراتژی های مشاوران خبره تولید شده تکاملی را با استفاده از توابع آمادگی جسمانی از پیش تعیین شده ارزیابی می کند تا به طور خودکار والدین را برای پرورش اولویت بندی کند. Genfx چندین عامل اصلی در انتخاب طبیعی را شبیه سازی می کند. این جمعیت از جمعیت چند نسل تولید مثل ، مفهوم جنسیت و مفهوم پیری برای حفظ تنوع در عین حال فرصت های پرورش بسیاری برای فرزندان بسیار موفق استفاده می کند. این رویکرد همچنین به ویژه در حال اجرا در یک پردازنده چندگانه ، چند حالت انتخاب استراتژی با استفاده از تنظیمات متعدد است. ما فهمیدیم که یک عملکرد مبتنی بر جنسیت چند فرآیند از سیستم از همه عملکردهای تک سیستم بهتر عمل می کند. این سیستم از Genshade ، سیستم قبلی که ما برای تولید بافت های رویه ای تکاملی ایجاد کرده ایم ، الهام گرفته شده است. روشهای شرح داده شده در این مقاله فقط به بازار فارکس یا مشکلات مالی محدود نمی شود بلکه برای بسیاری از زمینه های دیگر قابل اجرا است.

کلمات کلیدی: الگوریتم های ژنتیکی ، فارکس ، مشاوران متخصص ، استراتژی تجارت

فارکس چنین بازار عظیمی است که دارای نقدینگی روزانه بسیار بالایی است. بسیاری از شهودهای بزرگ مالی و معامله گران انفرادی از تکنیک های معاملاتی خودکار استفاده می کنند تا در چنین بازار بسیار کارآمد سود کسب کنند. الگوریتم های ژنتیکی برای مقابله با چنین بازار پیچیده و عظیمی مناسب هستند. الگوریتم های ژنتیکی [1] -[5] خانواده ای از مدل های محاسباتی با الهام از تکامل طبیعی هستند [6]. این الگوریتم ها به طور معمول یک راه حل بالقوه برای یک مشکل خاص در یک ساختار داده ساده مانند کروموزوم رمزگذاری می کنند و اپراتورهای نوترکیبی را برای تولید راه حل های جدید به کار می گیرند.

اصلاح این طرح اساسی توسط Syswerda [7] معرفی شده است ، که رویکرد تولید مثل GA در حالت پایدار ، جایگزینی مداوم افراد در جمعیت فعلی را به جای جایگزینی کامل جمعیت فعلی توسط یک جمعیت جدید مانند الگوریتم ژنتیکی استاندارد انجام می دهد (گاز نسلی).

بسیاری از محققان [8] -[10] استراتژی های مختلف انتخاب و جایگزینی را در GA در حالت پایدار بررسی کرده اند. هدف اصلی حفظ تعادل بین فشار انتخابی [11] و تنوع جمعیت است. فشار انتخابی به افراد دارای تناسب اندام بالاتر ، احتمال بیشتری برای انتخاب برای تولید مثل ، جهش و بقا می دهد. بدون فشار انتخاب ، فرآیند جستجو تصادفی می شود و مناطق امیدوارکننده از فضای جستجو در مناطق بدون بازسازی مورد حمایت قرار نمی گیرند. از طرف دیگر ، تنوع جمعیت برای توانایی پایدار GA برای ادامه اکتشاف پاداش آور فضای جستجو بسیار مهم است. اگر فقدان تنوع جمعیت خیلی زود اتفاق بیفتد ، رکود زودرس جستجو ایجاد می شود. به عبارت دیگر ، GA باید به طور همزمان بهترین کروموزوم ها و مواردی را که تنوع بیشتری را برای جمعیت GA Godart و Kruger فراهم می کند ، جستجو کند [12] تولید مثل حالت پایدار موازی را معرفی کرد و چندین فرآیند تولید مثل حالت پایدار را همزمان انجام داد. این رویکرد امکان استفاده همزمان از چندین استراتژی را فراهم می کند.

رویکرد الگوریتم ژنتیکی استاندارد محدودیت های خود را دارد. اول ، فرزندان قوی ممکن است بر جمعیت حاکم باشند و در نهایت منجر به رکود شوند. دوم ، حتی اگر جمعیت راکد نشود ، ممکن است همگرایی کند باشد. تحقیقات اخیر [13] در صورت بروز رکود ، دوباره شروع مجدد جمعیت را پیشنهاد می کند. در حوزه مشکل ما ، فضای مشاوران خبره بسیار زیاد است. نمونه برداری از این فضا با استفاده از یک الگوریتم ژنتیکی استاندارد به اندازه جمعیت بسیار زیادی نیاز دارد.

رویکردهای زیادی برای استفاده از هوش مصنوعی در بازارهای مالی وجود داشته است [14]. محققان در حال کار بر روی تکنیک های مختلف پیش بینی مانند شبکه های عصبی ، منطق فازی [15] ، تجزیه و تحلیل آماری [16] و الگوریتم های تکاملی هستند [17] -[19].

در فکر کردن در مورد مشکل تولید خودکار مشاوران متخصص ، ما می خواستیم بتوانیم نمونه کارها از مشاوران متخصص موفق را برای تجارت زنده فارکس تولید کنیم. روش تولید باید سریع و قوی باشد. مشاوران خبره در نتیجه باید از ویژگی های قدرتمندی مانند خالص ترین سود و سود سود و کمترین میزان سود برخوردار باشند. علاوه بر این ، آنها باید شرایط پیچیده ای را به خوبی اداره کنند تا معامله گران بتوانند از آنها برای شرایط واقعی تجارت زندگی استفاده کنند. اینها اهداف ما در طراحی و اجرای GENFX (ژنتیک فارکس) بوده اند.

ما از روش تولید مثل حالت پایدار برای حفظ فرزندان موفق استفاده کرده ایم و از مفهوم جنسیت استفاده کرده ایم. تجربه ما با سیستم نشان داد که پرورش یک والدینی که از نظر سود خالص قوی است ، به عنوان مثال ، با والدین دیگری که از نظر فاکتور سود قوی است ، شانس بالایی برای داشتن یک فرزند در هر دو ویژگی می دهد و در نتیجه ، از سایر ویژگی ها امتیاز بالایی دارد. خوب با تنظیمات مناسب و تعداد نسل کافی. ما از روش تولید مثل حالت پایدار موازی برای سرعت بخشیدن به فرایند تولید و بهبود عملکرد کلی سیستم با اجازه دادن به چندین فرآیند برای کمک به تکامل جمعیت با استفاده از استراتژی های متعدد استفاده کرده ایم. سیستم Genfx از سایه ژنرال سیستم قبلی ما الهام گرفته شده است [20] ، یک سیستم قبلی که ما برای تولید بافتهای رویه ای تکاملی توسعه داده ایم [21].

خواننده برای توضیح در مورد شرایط معاملاتی ذکر شده در این مطالعه به پیوست ارجاع شده است.

2. معماری سیستم Gen FX

2. 1نمایش ژنوم

ما برای ایجاد مشاوران متخصص ، سیستم دیگری با نام Eatree [22] ایجاد کرده ایم. در EATREE ، مشاوران خبره با اتصال جعبه ها به هم ایجاد می شوند. جعبه ها ممکن است شامل توابع MQL ، شاخص های فنی ، شاخص های سفارشی یا مقادیر باشند. خروجی های یک جعبه ممکن است به ورودی های جعبه دیگری متصل شود تا یک "درخت جعبه" تشکیل شود یا در واقع ، نمودار کلوچه ای از جعبه ها را هدایت می کند. Genfx ، طرح های مشاوران خبره ایجاد شده در EATREE را می خواند و آنها را به صورت داخلی به عنوان نمودار حرکتی گره ها یا آنچه که ما استراتژی می نامیم ، نشان می دهد. Genfxalso چیدمان مشاوران خبره تصادفی را تولید می کند. همانطور که در شکل 1 نشان داده شده است ، خود گره ها توابع یا شاخص هایی هستند که در زبان مشاور مشاور Trader Trader MQL5 نوشته شده است [23]. این سیستم mqlcode را از نمودار حکیمیک محرک گره ها یا جعبه ها تولید می کند. این گره ها را شامل می شود که حاوی شاخص ها بسیار با دقت است تا اطمینان حاصل شود که مشاوران متخصص تولید شده در نسخه ی نمایشی یا تجارت زنده به خوبی کار می کنند.

2. 2جمعیت چند نسل (MGP)

شکل 2 فرآیند اصلی تولید Genfx را نشان می دهد. به منظور حفظ یک جمعیت بزرگ و متنوع ، از رکود خودداری کرده و فرصت کافی برای مواد ژنتیکی قوی را فراهم می کند ، Genfx از جمعیت چند نسل از مشاوران خبره استفاده می کند. این معماری به ما امکان می دهد مجموعه بزرگی از بهترین مشاوران متخصص را در سراسر یک حفظ کنیم

شکل 2 . فرآیند تولید Genfx.

دامنه نسل ها ، و به این معنی است که ما می توانیم با تولید نسلی از مشاوران متخصص "فقیر" ، از دست دادن چیزی برای از دست دادن استفاده کنیم. در بدترین حالت ، جمعیت اساساً همانطور که هست باقی خواهد ماند. آزمایشات ما از حداکثر اندازه جمعیت بین دو تا سیصد استفاده کرده است. مشاوران خبره به ترتیب مرتب سازی شده در جمعیت قرار می گیرند ، و مشاوران متخصص با امتیاز بالاتر جایگزین می شوند که حداکثر جمعیت از حداکثر برخوردار هستند. جمعیت چند نسل به والدین و فرزندان اجازه می دهد تا در همان جمعیت همزیستی کنند ، که از ویژگی های مهم تکامل طبیعی مدل می کند. در ابتدا ، این سیستم مشاوران خبره را از یک بانک اطلاعاتی از پیش تعریف شده مشاوران متخصص بازیابی می کند و بهترین مشاوران متخصص را در این جمعیت درج می کند. مشاوران خبره بر اساس امتیاز دهی تناسب اندام خود در سود خالص ، فاکتور سود ، حداکثر درصد کاهش درصد ، ثبات و نسبت شارپ قرار می گیرند.

استخر خروجی استراتژی های مشاور مشاور متخصص برتر را که تاکنون تولید شده است ، ذخیره می کند.

پیری در جمعیت نسل چندگانه شبیه سازی شده است تا به مشاوران متخصص موفق چندین فرصت برای تولید فرزندان مستقیم اجازه دهد ، ضمن اینکه اطمینان می دهد که هیچ مشاور متخصص واحد همچنان بر روی جمعیت برای همیشه مسلط نیست. این تعادل خوبی بین نگه داشتن مواد ژنتیکی قوی در استخر و اطمینان از تنوع در جمعیت فراهم می کند. به هر مشاور متخصص در جمعیت اجازه می دهد تا آستانه نسل خاصی دست نخورده زنده بماند. پیش فرض ده نسل است. پس از دستیابی به آستانه تولید ، از یک فاکتور پیری در حال کاهش نمایی برای کاهش نمره مشاوران متخصص استفاده می شود و بنابراین احتمال انتخاب آن برای پرورش و افزایش احتمال آن از جمعیت ، میزان پیری را تعیین می کند. عامل پیری به گونه ای انتخاب می شود که پس از تصویب آستانه نسل. مشاور خبره به سرعت از جمعیت ناپدید می شود و از ویژگی دیگری از تکامل طبیعی الگوبرداری می کند.

2. 5انتخاب مبتنی بر جنسیت

مشاوران خبره "والدین" از جمعیت چند نسل در جفت های مبتنی بر جنسیت انتخاب شده و برای ایجاد فرزندان جدید برای جمعیت مداوم پرورش داده می شوند.

همانطور که قبلاً مشخص شد ، تجربه ما با سیستم نشان داد که پرورش یک والدینی که از نظر سود خالص قوی است ، با والدین دیگری که از نظر فاکتور سود قوی است ، شانس بالایی برای داشتن یک فرزند در هر دو ویژگی می دهد و در نتیجه ، از سایر ویژگی ها امتیازات بالایی داردخوب با تنظیمات مناسب و تعداد نسل کافی. در Genfx ، ما در حال تقویت پنج ویژگی هستیم ، دو بار. برچسب زدن یک "مرد" و دیگری "زن" دشوار است ، اما ما این فرایند را انتخاب مبتنی بر جنسیت می نامیم.

این مفهوم جذابیت دارد که شبیه به مفاهیم "مرد" و "زن" در جمعیت واقعی باشد ، جایی که برخی از استانداردهای مناسب برای جفت گیری بسیار تعیین شده است. روش انتخاب ، جفت مشاوران خبره را از جمعیت سود خالص بالا برای پرورش با مشاوران متخصص در جمعیت فاکتور سود بر اساس رتبه آنها انتخاب می کند. Genfx از یک روش انتخاب احتمالی بر اساس توزیع گاوسی استفاده می کند. دو استراتژی مهم انتخاب وجود دارد. اولین مورد این است که با استفاده از یک انحراف استاندارد کوچک ، روی مشاوران متخصص با امتیاز بالا تمرکز کنید. دوم معرفی تنوع با استفاده از یک انحراف استاندارد بالا است. یک استراتژی انتخابی که به نظر ما بسیار مفید است این است که نسل های متناوب ، جایی که اولین استراتژی در نسل های عجیب و غریب و دوم در حتی موارد استفاده می شود.

هنگام پرورش دو سلسله مراتب از مشاوران خبره ، روش پرورش یک گره تصادفی را در هر سلسله مراتب انتخاب می کند و اگر گره ها از همان نوع داده هستند ، زیر درختان را در زیر این گره ها تعویض می کند. شکل 3 نمونه ای از پرورش دو مشاور متخصص را نشان می دهد. انتخاب یک زیر درخت که باید مبادله شود با انتخاب ابتدا یک سطح گره و سپس انتخاب یک گره از آن سطح انجام می شود. انتخاب سطح گره می تواند یکنواخت باشد ، گاوسی با میانگین ثابت یا گاوسی با میانگین بر اساس نمره ارزیابی. در حالت دوم ، هرچه نمره بالاتر باشد ، زیر ساختار کوچکتر تغییر می کند و بنابراین تغییر کوچکتر است. این منجر به باریک شدن فرآیند "جستجو" برای مشاوران متخصص بسیار موفق و گسترش آن برای افراد کمتر موفق می شود. پس از انتخاب یک سطح ، گره به طور تصادفی از توزیع یکنواخت انتخاب می شود.

از جهش برای معرفی تنوع در جمعیت استفاده می شود. پس از پرورش ، سلسله مراتب طی می شود ، و بسته به کاربر میانگین جهش ، متغیرهای ورودی گره برگ به طور تصادفی از توزیع یکنواخت انتخاب می شوند و به سایر مقادیر معتبر تغییر می یابند. به طور مشابه ، یک عملکرد گره می تواند به نوع دیگری از عملکرد جهش یابد ، به عنوان مثال یک شاخص MACD ممکن است به یک شاخص متوسط در حال حرکت جهش یابد ، و زیر درختان انتخاب شده ممکن است باشد

جایگزین گره ها یا زیر درختان از پیش تعریف شده از یک کتابخانه از پیش ساخته شده است.

2. 8نسل

همانطور که ما سلسله مراتب مشاور خبره ژنوم خود را در نظر می گیریم ، فنوم یا فرزندان مربوطه یک کد منبع مشاور متخصص Metatrader است. برای ایجاد یک کد مشاور خبره از یک سلسله مراتب ، گره های سلسله مراتبی برای ایجاد یک فایل متنی که به زبان Metatrader MQL5 قالب بندی شده است ، عبور می کنند [23]. ابتدا سلسله مراتب برای تعریف همه متغیرهای ورودی طی می شود. تمام متغیرهای ورودی بدون اتصال به عنوان متغیرهای نمونه ، با مقادیر از پیش تعریف شده ، خروجی هستند. تمام متغیرهای مرتبط به عنوان متغیرهای محلی تولید می شوند. سپس سلسله مراتب دوباره طی می شود. از هر متغیر خروجی پیوندی بازدید می شود و یک عبارت انتهایی خروجی است که سمت چپ آن نام متغیر ورودی در گره والدین است که متغیر خروجی به آن مرتبط است ، و سمت راست آن عبارتی است که بر روی متغیرهای ورودی کار می کندگره فعلیمتغیرها می توانند از انواع باشند: عدد صحیح ، دوتایی ، رشته ، رنگ و غیره. سیستم باعث تبدیل بین انواع می شود. این مشاور خبره گردآوری شده سپس با استفاده از داده های تاریخی یا برای نسخه ی نمایشی یا تجارت زنده ، به یک نمودار در Metatrader متصل می شود.

2. 9ارزیابی (عملکرد تناسب اندام)

این سیستم مشاوران متخصص را با استفاده از یک عملکرد تناسب اندام ارزیابی می کند. ابتدا معیارهای عملکردی مانند سود خالص ، فاکتور سود و حداکثر کاهش درصد ، ثبات و نسبت شارپ را محاسبه می کند. سپس معیارها را با استفاده از یک فرمول ویژه به یک عملکرد تناسب اندام بین 0 تا 100 تبدیل می کند. در صورت لزوم ، تناسب اندام را بر اساس وزن ترکیب می کند. به عنوان مثال ، نمره تناسب اندام ترکیبی سود خالص و سود به ترتیب با استفاده از وزن 1: 1 محاسبه می شود. هنگام قرار دادن مشاوران خبره جدید در استخر سود خالص جمعیت چند نسل ، از عملکرد تناسب اندام خالص سود استفاده می شود ، اما ضمن قرار دادن مشاوران متخصص جدید در استخر خروجی ، یک عملکرد تناسب اندام ترکیبی از وزن 1 از هر یک از پنج معیار عملکردبشر

2. 10تست استحنا

قبل از قرار دادن یک مشاور خبره در نسل های مختلف جمعیت ، باید آزمایش استحکام را پشت سر بگذارد. ابتدا باید برای ارزیابی مجدد عملکرد آن بر روی داده های ناشناخته یا خارج از داده های نمونه آزمایش شود. دوم ، باید آزمایش استحکام مختلفی از جمله تغییر دامنه داده ، از بین بردن برخی معاملات یا تغییر تعدادی از پارامترها را انجام دهد.

2. 11الگوریتم پردازنده چندگانه

به دلیل سازماندهی آن ، پیکربندی GENFX در یک حالت فرآیند چندگانه آسان است ، جایی که هر فرآیند به تکامل جمعیت چند نسل کمک می کند. علاوه بر افزایش سرعت ، این مزیت دارد که هر فرآیند ممکن است از پارامترهای مختلف نسل و استراتژی های انتخاب استفاده کند. شکل 4 نشان می دهد Genfx در حالت چندین فرآیند اجرا می شود ، با تمام فرآیندها جمعیت مشترک چند نسل را به روز می کنند. تولید مثل به صورت موازی صورت می گیرد ، که یکی دیگر از ویژگی های تکامل طبیعی است. ما این کار را در برقراری ارتباط پردازنده های موازی به اشتراک گذاری یک فروشگاه داده مشترک اجرا کرده ایم.

شکل 4. حالت چند فرآیند.

3. نتایج تجربی

به منظور نشان دادن عملکرد ویژگی های GENFX ، چندین آزمایش انجام شد. از پارامترهای مشابه در تمام آزمایشات استفاده شد. با این حال ، در هر آزمایش پی در پی ، از الگوریتم های انتخاب و پرورش استفاده شد. هر آزمایش برای 200 نسل اجرا شد ، با 100 جفت والدین (200 والدین در کل) برای پرورش در هر نسل ، با هر جفت ، دو کودک (200 کودک در کل) تولید کردند. عملکرد تناسب اندام ترکیبی از سود خالص و فاکتور سود به ترتیب با وزن 1: 1 است.

در توطئه های ادبیات الگوریتم ژنتیکی مانند این به طور کلی بهترین راه حل را در طول زمان نشان می دهد. در اینجا ما میانگین را به جای بهترین امتیاز ترسیم می کنیم زیرا تمرکز در این مطالعه بر کیفیت کل جمعیت و نه تنها در بهترین استراتژی است. آمار در حال اجرا Genfx نشان داده است که 95 ٪ از زمان CPU با فراخوانی Metatrader برای تدوین مشاوران متخصص و اجرای پشتی در مورد داده های تاریخی گرفته می شود. 5 ٪ باقیمانده توسط سایر محاسبات Genfx گرفته شده است.

در بخش های بعدی ، ما هر پسوند و نتایج آزمایش را شرح می دهیم.

3. 1الگوریتم ژنتیکی استاندارد

آزمایش اول مورد پایه ، با استفاده از یک روش الگوریتم ژنتیکی استاندارد است. در این آزمایش ، جمعیت اولیه بر اساس انتخاب رتبه بندی گاوسی انتخاب می شود. اندازه جمعیت برای 200 استراتژی مشاور متخصص تنظیم شد. از پارامترهای زیر استفاده شد:

1) مقدار جهش 0. 05: فراهم کردن احتمال 0. 05 برای انتخاب عنصری که باید جهش یابد.

2) ارزش سطح سلسله مراتب 5 ، برای اینکه انتخاب متوسط زیر درختان برای تعویض در هنگام تولید استراتژی ها انتخاب شود.

3) انحراف استاندارد گاوسی از 10. 0 ، برای انتخاب استراتژی ها در یک محدوده درجه خاص.

200 والدین اولیه با هم پرورش می یابند و 200 فرزند جدید تولید می کنند. الگوریتم های ژنتیکی استاندارد از اجرای نخبگان [2] استفاده می کنند و بهترین سه استراتژی را در هر نسل نگه می دارند. شکل 5 نتایج استفاده از یک الگوریتم ژنتیکی استاندارد را نشان می دهد. واضح است که همگرایی زودرس وجود دارد زیرا تعداد کمی از تغییرات مشاور متخصص جمعیت را به خود اختصاص می دهد و نمره تناسب اندام بسیار بهبود نمی یابد.

3. 2الگوریتم ژنتیکی استاندارد با گزینه راه اندازی مجدد

در این آزمایش ، یک الگوریتم ژنتیکی استاندارد با استفاده از گزینه برای شروع مجدد فرآیند تولید در صورت رکود بیش از پنج نسل استفاده می شود. بهترین استراتژی های مشاور مشاور متخصص تولید شده در استخر خروجی قرار گرفتند. شکل 5 میانگین نمره استخر خروجی را در طول آزمایش نشان می دهد. واضح است که نتایج از آخرین آزمایش بهبود یافته است

3. 3جمعیت چند نسل

در این آزمایش ، آزمایش پایه برای استفاده از جمعیت چند نسل از اندازه 200 گسترش یافته است. هر دو والدین از استخر خروجی جمعیت چند نسل انتخاب شدند. در شکل 5 ، ما می توانیم در میانگین نمره ، بیش از الگوریتم ژنتیکی استاندارد ، و نتایج قابل مقایسه با آخرین آزمایش مشاهده کنیم. ما همچنین می بینیم که پیشرفت یکنواخت است و نمره ای ندارد. منحنی مسطح ، بین نسل 100 تا 200 ، رکود و عدم پیشرفت را نشان می دهد.

3. 4انتخاب مبتنی بر جنسیت

در این آزمایش با انتخاب یک والدین از استخر سود خالص و سایر والدین از استخر فاکتور سود ، از انتخاب مبتنی بر جنسیت استفاده می کنیم. کودکان تولید شده در چند نسل جایگزین می شوند که دارای امتیاز ضعیف تر یا پایین تر هستند. شکل 5 نتایج استفاده از یک انتخاب جنسیتی را با استفاده از چندین نسل از اندازه اندازه 200 نشان می دهد. این نشان می دهد که پسوند انتخاب مبتنی بر جنسیت نسبت به جمعیت چند نسل بهبود می یابد. به نظر می رسد که انتخاب مبتنی بر جنسیت یک گسترش مطلوب برای جمعیت چند نسل است.

شکل 5 نتایج استفاده از پیری در یک جمعیت چند نسل با جنسیت را نشان می دهد. همانطور که در شکل نشان داده شده است ، استراتژی های حاصل از یک نسل به نسل دیگر بهبود می یابند. به نظر می رسد که افزودن پوسیدگی پیری به بهبود کمک می کند

شکل 5مقایسه تنظیمات مختلف نسل با استفاده از نمره تناسب اندام (سود خالص + فاکتور سود).

نتایج حاصل از استفاده از انتخاب جنسیت همراه با استفاده از جمعیت چند نسل.

شکل 6 نشان می دهد که عملکرد جمعیت های چند نسل مبتنی بر جنسیت با استفاده از توابع تناسب اندام مختلف. از آنجا که انتخاب مبتنی بر جنسیت والدین از هم از استخرهای سود خالص و هم فاکتور سود است ، جایی که استراتژی ها در این دو ویژگی قوی هستند ، روند ژنتیکی منجر به استراتژی هایی با نمره بالا در هر دو ویژگی شده است. با این حال ، تولید چنین استراتژی های قوی منجر به بهبود ویژگی های نسبت تیز ، کاهش حداکثر درصد و ثبات همانطور که در شکل 6 نشان داده شده است.

3. 6تأیید مجدد آزمایش های قبلی

به منظور تأیید مجدد نتایج به دست آمده تا کنون ، ما پنج آزمایش قبلی را با استفاده از سود خالص و حداکثر درصد کاهش درصدی استخرهای جمعیت چند نسل تکرار کرده ایم. همانطور که در شکل 7 نشان داده شده است ، نتایج مشابهی به دست می آید که استفاده از پوسیدگی پیری برای انتخاب مبتنی بر جنسیت بهترین روش عملکرد است.

نتایج نشان داده شده در شکل 8 نتایج قبلی به دست آمده را نیز تأیید می کند. از آنجا که انتخاب مبتنی بر جنسیت ، والدین را از سود خالص و حداکثر استخراج درصد استخراج می کند ، جایی که استراتژی ها در این دو ویژگی قوی هستند ، روند ژنتیکی منجر به استراتژی هایی با نمره بالا در هر دو ویژگی شده است. با این حال ، تولید چنین استراتژی های قوی منجر به بهبود ویژگی های فاکتور سود ، نسبت تیز و ثبات همانطور که در شکل 8 نشان داده شده است ، جالب است بدانید که ویژگی فاکتور سود حتی بهتر از حداکثر درصد کاهش یافته است.

3. 7روش چند فرآیند

به منظور آزمایش عملکرد GenFX در حال اجرا در حالت چندین فرآیند ، ما از 12 فرآیند با استفاده از جمعیت چند نسل مشترک استفاده کردیم ، همانطور که در شکل 9 نشان داده شده است. هر پردازنده 10 پردازنده اول در حالت مبتنی بر جنسیت کار می کند. در هر اجرا ، والدین از دو استخر جمعیت چند نسل انتخاب می شوند. از دو پردازنده آخر برای معرفی استراتژی های متنوع به جمعیت چند نسل استفاده می شود. دوازده فرآیند که به شرح زیر سازماندهی شده است:

1) سود خالص سود و سود ؛

2) سود خالص و حداکثر کاهش درصد ؛

3) سود و ثبات خالص ؛

4) سود خالص و نسبت شارپ 5) فاکتور سود و حداکثر کاهش درصد ؛

6) فاکتور سود و ثبات ؛

7) فاکتور سود و نسبت شارپ ؛

8) حداکثر افزایش درصد و ثبات ؛

9) حداکثر نسبت درصد و نسبت شارپ ؛

10) ثبات و نسبت شارپ ؛

شکل 6. اندازه گیری عملکرد MPG مبتنی بر جنسیت با استفاده از عملکردهای مختلف آمادگی جسمانی.

شکل 7. مقایسه تنظیمات نسل مختلف با استفاده از نمره تناسب اندام (سود خالص + حداکثر کاهش ٪).

شکل 8 . اندازه گیری عملکرد MPG مبتنی بر جنسیت با استفاده از عملکردهای مختلف آمادگی جسمانی.

11) اجرای نسل های تصادفی برای معرفی تنوع ؛

12) در صورت وجود رکود بیش از پنج نسل ، با استفاده از نسل تصادفی اولیه با گزینه ای برای شروع مجدد تولید.

شکل 10 نتایج اجرای دوازده فرآیند متعدد را برای 200 نسل با استفاده از مجموعه قبلی نشان می دهد

شکل 9روش چند فرآیند.

شکل 10. اندازه گیری عملکرد روش چندین پردازنده.

TINGSهمانطور که در شکل نشان داده شده است ، از مشکل رکود جلوگیری شده است. بهبود کلی در عملکرد سیستم وجود دارد.

استفاده از یک جمعیت چند نسل نشان داده شده است که در الگوریتم ژنتیکی استاندارد پیشرفتی است. واضح است که پسوند جنسیتی تنوع را معرفی کرده و از رکود جلوگیری کرده است. بدیهی است که معرفی مفهوم پیری به استراتژی های موفق اجازه می دهد تا بسیاری از فرصت ها انتخاب شوند و در نهایت آنها را حذف کردند تا آنها بر جمعیت مسلط نشوند. این تنوع بیشتری را فراهم کرده و بهترین ترکیب پسوندها را تاکنون تشکیل داده است. به نظر می رسد که پسوند چند فرآیند نتایج را بهبود بخشیده ، از رکود ، کاهش خطر جلوگیری کرده و با استفاده از یک پردازنده واحد بهتر عمل می شود.

اگرچه سیستم Genfx از سیستم قبلی ما Genshade الهام گرفته شده است ، و Genfx با افزودن فرآیندهای اضافی به روش فرآیندهای متعدد خود برای تولید مشاوران متخصص تصادفی و معرفی مداوم تنوع در جمعیت چند نسل ، از Genshade بهتر عمل می کند.

با این حال ، مشکل این است که چندین استراتژی موفق چندین تغییر وجود دارد که فقط در این زمان فقط می توانند به صورت دستی شناسایی شوند. یک الگوریتم پیشرفته برای از بین بردن خودکار تغییرات استراتژی های موفق کمی متفاوت است. تجزیه و تحلیل آنچه ممکن است استراتژی های جالب باشد ، جالب خواهد بود. استراتژی های جالب می تواند مورد تجزیه و تحلیل قرار گیرد و الگوهای خاصی ، به عنوان مثال ، زیر درختان ، قابل مقایسه است. جهش می تواند به نفع جایگزینی این زیرشاخه ها برای گره های سلسله مراتب باشد.

روشهای شرح داده شده در این مقاله فقط به بازار فارکس یا مشکلات مالی محدود نمی شود بلکه در بسیاری از زمینه های دیگر قابل اجرا است.

5. پیشرفت های آینده

از آنجا که یکی از اهداف اصلی این کار ایجاد نمونه کارها از مشاوران متخصص موفق برای تجارت زنده فارکس است ، باید کارهای بیشتری انجام شود:

1) تست های استحکام بیشتر در مورد مشاوران خبره با استفاده از جفت های مختلف ، به عنوان مثال ، GBPUSD یا بازه های زمانی.

2) آزمایش زنده در مورد مشاوران خبره که به نسل چند پردازش متصل است ، جایی که مشاوران متخصص که در آزمایش زنده شکست می خورند و سایر مشاوران متخصص مشابه از جمعیت حذف می شوند یا حداقل مجازات های پیری سخت تری دارند.

3) مشاوران متخصص باید دارای تنظیمات تطبیقی باشند که باید در معاملات زنده با گذشت زمان تغییر کند.

4) مشاوران خبره در یک نمونه کارها باید دارای وزنه هایی باشند تا بر اساس عملکرد قبلی خود چقدر حجم تجارت را تعیین کنند.

5) مشاوران خبره در یک نمونه کارها باید با هم ارتباط برقرار کنند ، به عنوان مثال مشاوران متخصص در حال باز کردن معاملات در سه گانه از جفت های EURUSD ، USDJPY و EURJPY Forex می توانند با هم کار کنند تا از آن محافظت کنند.

1. Dejong ، K. (1975) تجزیه و تحلیل رفتار یک کلاس از سیستم های تطبیقی ژنتیکی. دکتریپایان نامه ، گروه علوم رایانه و ارتباطات ، دانشگاه میشیگان ، آن آربور.
2. گلدبرگ ، D. E.(1989) الگوریتم های ژنتیکی در جستجو ، بهینه سازی و یادگیری ماشین. شرکت انتشارات آدیسون وسلی ، بوستون.
3. Grefenstette ، J. J. و بیکر ، جی. (1989) چگونه الگوریتم های ژنتیکی کار می کنند: نگاهی مهم به موازی بودن ضمنی. مجموعه مقالات 3 بین المللی Conf در الگوریتم های ژنتیکی ، مورگان-کافمن ، 20-27.
4. هلند ، J. H.(1975) سازگاری در سیستم های طبیعی و مصنوعی. دانشگاه میشیگان پرس ، آن آربور.
5. Simon ، D. (2013) الگوریتم های بهینه سازی تکاملی ، ویلی ، هابوکن.
6. چارلز ، د. (1859) منشأ گونه ها. کتابخانه جدید آمریکایی ، نیویورک.
7. Syswerda ، G. (1991) مطالعه تولید مثل در الگوریتم های ژنتیکی نسلی و حالت پایدار. مبانی الگوریتم های ژنتیکی. ناشران مورگان کافمن ، 94-101.
8. لی ، C. (2003) انتخاب آنتروپی-بولتزمن در الگوریتم های ژنتیکی. معاملات IEEE در سیستم ها ، انسان و سایبرنتیک ، قسمت B: سایبرنتیک ، 33 ، 138-149. http://dx. doi.org/10. 1109/tsmcb. 2003. 808184
9. Toffolo ، A. and Benini ، E. (2003) تنوع ژنتیکی به عنوان یک هدف در الگوریتم های تکاملی چند هدف. محاسبات تکاملی ، 11 ، 151-167. http://dx. doi.org/10. 1162/106365603766646816
10. د جونگ ، E. D. ، واتسون ، R. A. و Pollack ، J. B. (2001) کاهش نفخ و ترویج تنوع با استفاده از روش های چند منظوره ، در: Spector ، L. ، et al. ، eds. ، مجموعه مقالات کنفرانس محاسبات ژنتیکی و تکاملی (GECCO 2001) ، مورگان کافمن ، سانفرانسیسکو، 11-18.
11. Whitley ، D. (1989) الگوریتم و فشار انتخاب ژنرال: چرا تخصیص محور آزمایشات تولید مثل بهترین است. در: Schaffer ، J. D. ، ویرایش ، مجموعه مقالات سومین کنفرانس بین المللی الگوریتم های ژنتیکی ، ناشران مورگان کافمن ، سان ماتئو ، 116-121.
12. Godart ، C. and Kruger ، M. (1995) یک الگوریتم ژنتیکی با تولید مثل حالت پایدار. در: Alliot ، J. ، et al. ، eds. ، تکامل مصنوعی ، کنفرانس اروپا ، Springer ، 22-24.
13. نیکوار ، E. S.(2009) مکانیسم هایی برای جلوگیری از همگرایی زودرس الگوریتم های ژنتیکی. Universitatea Petrol Gaze ، Din Ploieti ، 87-96.
14. Atsalakisa ، G. and Valavanisb ، K. (2009) بررسی تکنیک های پیش بینی بازار سهام - قسمت دوم: روشهای محاسبات نرم. سیستم های خبره با برنامه ها ، 36 ، 5932-5951. http://dx. doi.org/10. 1016/j. eswa. 2008. 07. 006
15. Azzini ، A. ، Pereira ، C. and Tettamanzi ، A. (2009) پیش بینی نقاط عطف در بازارهای مالی با مدل سازی تکاملی فازی و عصبی و تکاملی. برنامه های کاربردی محاسبات تکاملی ، 5484 ، 213-222.
16. Box ، G. ، Jenkins ، G. and Reinsel ، G. (2006) تجزیه و تحلیل سری زمانی ، پیش بینی و کنترل. سالن Prentice ، رودخانه زین فوقانی.
17. Myszkowski ، P. B. and Bicz ، A. (2010) الگوریتم تکاملی در تولید استراتژی تجارت فارکس. مجموعه مقالات چند کنفرانس بین المللی 2010 در زمینه علوم کامپیوتر و فناوری اطلاعات (IMCSIT) ، WISLA ، 18-20 اکتبر 2010 ، 81-88.
18. Slany ، K. (2009) به سمت پیش بینی خودکار تکاملی رفتار بازار فارکس. کنفرانس بین المللی سیستم های سازگار و هوشمند ، Klagenfurt ، 24-26 سپتامبر 2009 ، 141-145.
19. Yaman ، A. ، Lucci ، S. and Gertner ، I. (2014) رویکرد مبتنی بر الگوریتم تکاملی برای مدل سازی عوامل تجارت مستقل. مدیریت اطلاعات هوشمند ، 6 ، 45-54. http://dx. doi.org/10. 4236/iim. 2014. 62007
20. ابراهیم ، A. E. (1998) Genshade: یک رویکرد تکاملی برای تولید بافت رویه ای اتوماتیک و تعاملی. دکتریپایان نامه ، دانشگاه A& M تگزاس ، ایستگاه کالج.
21. صفحه وب نرم افزار EATREE (2014). www.eatree.com
22. صفحه وب برنامه نویسی Metatrader MQL5. www.mql5.com

پلتفرم متا معامله گر

Metatrader [23] یک بستر معاملاتی الکترونیکی است که به طور گسترده توسط بازرگانان سوداگرانه ارزهای خارجی خرده فروشی استفاده می شود. این نرم افزار توسط نرم افزار متا نقل قول ساخته شده و در سال 2005 منتشر شده است. این نرم افزار مجوز کارگزاران ارزی است که این نرم افزار را به مشتریان خود ارائه می دهند. این نرم افزار از مؤلفه مشتری و سرور تشکیل شده است. مؤلفه سرور توسط کارگزار اداره می شود و نرم افزار مشتری به مشتریان کارگزاران ارائه می شود که از آن برای دیدن قیمت های پخش مستقیم ، نمودارها و قرار دادن سفارشات و همچنین مدیریت حساب آنها استفاده می کنند.

مشاوران خبره (EAS)

مشاوران خبره برنامه هایی هستند که امکان اتوماسیون فرآیندهای تحلیلی و معاملاتی را در بستر متا معامله گر فراهم می کنند [23]. آنها تصمیمات خرید خودکار ، فروش و مدیریت پول را ارائه می دهند. تجارت خودکار عوامل انسانی حرص و طمع و ترس را از بین می برد. با این حال ، در بسیاری موارد ، فاقد تصمیمات شدید معامله گر حرفه ای است. دو زبان برنامه نویسی مشهور برای مشاوران خبره وجود دارد: MQL4 و MQL5. در این کار ، ما به دلیل قابلیت اطمینان از Backtester از سکوی Metatrader 5 ، مشاوران متخصص را در زبان MQL5 تولید می کنیم.

سود خالص تفاوت بین سود ناخالص و ضرر ناخالص است. سود ناخالص در کل معاملات سودآور از نظر پول است. ضرر ناخالص کل معاملات از دست دادن از نظر پول است.

فاکتور سود نشان می دهد که چند بار سود ناخالص از ضرر ناخالص فراتر می رود. هرچه این مقدار بزرگتر باشد ، بهتر است.

کاهش پول نشان می دهد که حداکثر کاهش در شرایط پول ثابت است و بزرگترین تفاوت بین حداکثر آخرین و حداقل فعلی است. این می تواند از کاهش مطلق فراتر رود و به دیدن میزان ضرر احتمالی حتی برای یک تجارت نسبتاً سودآور کمک می کند.

ثبات اندازه گیری است که رشد سهام عدالت چقدر پایدار است. معمولاً یک خط شیب دار که به سمت بالا می رود ، ثبات بالایی را نشان می دهد.

نسبت تیز نشان می دهد که چند برابر میانگین حسابی از انحراف استاندارد از نوسانات عدالت فراتر می رود. به عنوان مثال ، شارپ = 0. 6 به این معنی است که میانگین خطر برای از دست دادن 10 دلار در هر سود 6 دلار وجود دارد. هرچه این مقدار بزرگتر باشد ، تجارت کمتر خطرناک است. با این حال ، ارزش سود بزرگ در معاملات فردی می تواند به ارزش بیشتر انحراف استاندارد منجر شود که به نوبه خود ، منجر به کاهش غیر منطقی نسبت تیز می شود.

ارزیابی ها در این مطالعه با استفاده از داده های تاریخی فارکس برای جفت Forex Eurusd با یک بازه زمانی یک ساعت (H1) است. داده های موجود در نمونه (IS) استفاده شده از اول ژانویه 2004 تا 1 ژانویه 2010 است. داده های خارج از نمونه (OOS) از اول ژانویه 2010 تا 1 ژانویه 2014 است. از داده های نمونه برای ارزیابی استفاده می شوداستراتژی های مشاور خبره. از داده های خارج از نمونه برای ارزیابی مجدد استراتژی ها با استفاده از داده های ناشناخته برای جلوگیری از اتصالات منحنی استفاده می شود ، موردی که یک استراتژی فقط در داده های خاص کار می کند.