Introducere
GPF, este ca numele său implică, un detector de model, un model fiind un comportament de piață periodice, ca de exemplu, în cazul nostru:
| F |
Open of yesterday > High of 2 days ago |
| AND |
Close of 4 days ago > High of 3 days ago |
| THEN |
Buy on next bar's open |
În ciuda simplității sale aparente, aceasta este un indicator non-linear, care funcționează bine în multe piețe trend sau gamă legat. Un G.P.F. model este o condiție logică sau un set de condiții logice din care se poate obține un semnal de tranzacționare. Semnalul sau indicatorul este, prin urmare, un boolean, adică atunci când condițiile de piață sunt conforme model, semnalul este pornit, în caz contrar oprit.
Modele sunt esența de tranzacționare. Toți comercianții au auzit de "Cumpara pe 3 închide până consecutive". Este puțin probabil că mulți comercianți au reușit să facă vreodată în mod constant bani pe care special unul, dar principiul dezvoltat aici este foarte asemănătoare. Există modele premiate, cum ar fi cea de mai sus, de exemplu, în cazul în care un singur le-ar putea detecta cu ușurință. Finder modelul genetic a fost conceput pentru acest scop.
Finder modelul genetic este, de asemenea, foarte simplu de utilizat. Odată ce datele sunt încărcate, un proces de detectare model utilizând setările implicite ar trebui să dea deja aproape de rezultate optime. Rezultatul analizei vă va oferi cu o vizualizare de distribuție de semnal statistică, precum și semnale de tranzactionare pe deplin descrise scrise într-un format EasyLanguage-ca (TradeStation ™). În timp ce poate fi folosind un alt grafice sau program de tranzacționare, Sintaxa utilizata este foarte ușor de înțeles, astfel încât se poate adapta la orice software similare. Vă rugăm să rețineți, totuși, că descrierea modelul poate fi mai complexă dacă utilizați suplimentare GPF filtre și descrierea modelul de mai sus nu poate fi suficientă. Interfețe pentru TradeStation și Agent NeuroShell sunt disponibile. Pentru simplitate, rezultatele sunt toate înregistrate în aceeași fișier Microsoft Excel.
Prin esență, semnalele generate de G.P.F. sunt pe termen scurt de intrare sau de ieșire semnale. În timp ce "Cumpără" semnale sunt de obicei folosite pentru a intra într-o poziție lungă, un "Vând" semnal poate fi, de asemenea, interpretată ca un "semnal de ieșire ExitLong", sau o poziție scurtă intrare Semnalele nu ar trebui să fie totuși interpretată ca un sistem de tranzactionare real.. Este în continuare până la utilizatorul pentru a construi său sistem de comercializare în conformitate cu propriul lui sau ei așteptări proprii de returnare și de profilul de risc. În cele din urmă, toți comercianții știu că succesul depinde în principal de gestionarea banilor de sunet.
În cele din urmă, o notă pic pe Inteligenta Artificiala. Toate "convenționale" unelte de analiza tehnica parts rambursare aceeași. Ele sunt "forward" unelte de analiză, calcul un fel de (des) indicatorul liniar (cauza) și apoi evaluarea stabilității statistică a rezultatelor sale (efect). Algoritmi de inteligenta artificiala, și în special genetice și rețele neuronale sa te uiti la potentialele efecte profit () și apoi să analizeze situația anterioară, care a contribuit la atingerea acestor profituri (cauze). Această metodă este în mod inerent mult mai puternic, dar această discuție depășește cu mult domeniul de aplicare al acestei introduceri.
De ce un model de căutare?
Toți comercianții condimentată știu că piețele financiare pot fi instabil, trend, ciclică sau pur și simplu haotic și zgomotos. Cele mai multe, dacă nu toate "clasice", indicatorii tehnico lucreze în situație de piață singurul, și unele tranziții de piață poate fi dureroasă dacă nu se adapta rapid la noua situație. Cu alte cuvinte, indicatori liniare tind să lucreze, până în momentul în, locul de muncă în cazul în care pur și simplu nu mai este. Este posibil să aveți suficient capital pentru a sustine mari egal-coborâșuri, dar problema rămâne aceeași: indicatori liniare sunt auto-limitate. În plus, instrumentele statistice utilizate pentru a valida un semnal sunt adesea eronate.
Găsirea modele este doar o modalitate de a explora lumea de dinamica non-piață liniare. Alte căi de interes includ funcții haotice (cum ar fi funcția de bine-cunoscut logistic), wavelets, ... dar accentul primul hai pe găsirea de modele.
Acest model Finder genetica nu poate da semnalul ideala, ceea ce ar face cu succes pe toate pietele, pur și simplu, pentru că astfel de semnal nu poate exista deloc. Cu toate acestea, interesul astfel de tehnică este de a găsi mereu semnale optime, indiferent de cât de profitabile sunt de fapt (aceasta este deja o valoroasă de informații). În plus, semnalul poate fi îmbunătățit cu gestiune poziția de tranzacționare, de exemplu, utilizarea trailing stop, înmulțirea, în colaborare cu alți indicatori.
Finder model foloseste obiective pe termen scurt profit. De exemplu, un impuls aproape-la-aproape sau aproape-la-cel mai mare tinta de profit mare (a se citi Q & A pagina pentru detalii). Aceasta servește ca o indicație generală pentru tranzactionare, si nu pot fi întotdeauna direct traductibile într-un semnal negociabile. Este posibil să doriți într-adevăr, să tranzacționeze pe de stop / limita de comenzi. Comercianții avansate vor crea unul sau mai multe semnale generate de GPF și le va folosi într-o combinație logică și / sau statistice, la alegerea lor. G.P.F. semnale de a face, de asemenea, intrări mari suplimentare pentru plase neuronale.
Trebuie subliniat faptul că GPF este foarte mult, necorelat cu majoritatea celorlalți indicatori ai liniare sau non-liniar. Din acest motiv, numai mulți comercianți și manageri de fonduri se pare un plus foarte valoros pentru set de instrumente de tranzactionare a acestora.
Ce este "genetică" despre acest model de căutare? (Subiect avansat)
Nu este sincer nici o nevoie reală de a se îngropa în complexitatea algoritmilor genetici. Informații ample sunt disponibile pe internet, de exemplu, pe grupul de știri comp.ai.genetic, și de la sistemele Ward. Să-l păstrați scurt și simplu, algoritmi genetici folosește o tehnică de competitivă pentru a rezolva o problemă (profituri comerciale), folosind o populație de soluții potențiale (aici modele). Aceasta tehnica este ideal atunci când nu este ușor, să nu spun imposibil de a modela o funcție în termeni matematici.
Primul are nevoie de un obiectiv de optimizare sau de un etalon, care este tradus într-o funcție matematică, care va fi, de obicei, numit "Fitness" funcția. Cele mai bune persoane din care populația se adapteze bine la sau "potrivi" mediul adică funcția de fitness. Optimizarea această funcție este, în cele mai multe cazuri identice pentru maximizarea acest obiectiv, pentru profituri comerciale exemplu. "Efectul" latura a ecuatiei este acum setată.
Acum începe partea dificilă. Unul are nevoie pentru a traduce "cauze", adică modele care ar putea duce la astfel de rezultate, într-o formă matematică. Din fericire Ward Sisteme GeneHunter ™ face ca această sarcină destul de usor. Unul are doar pentru a descrie toate modelele posibile prin trasaturi genetice sau cromozomi. De exemplu, în calitate de model va include aparitii ale cotațiilor, un cromozom va transporta caracteristica "citat", cu valorile posibile: Deschidere, High, Low, Close. Un alt cromozom va transporta de informare "barele din spate" (sau zile înapoi), în funcție de cât de departe înapoi doriți GPF pentru a căuta modele optime. Spațiul de căutare totală este proiectat aici.
Odată ce cineva a creat un model întreg potențial în acest fel, unul are o soluție potențială pentru funcția de fitness, adică un model, și cât de profitabilă, care folosind ca model poate fi. Această soluție, sau un model poate fi departe de ideal pentru a rezolva problema noastră de optimizare. GeneHunter ne permite acum pentru a crea soluții potrivite potențial, numite "persoane fizice", într-o populație. Procesul de optimizare numit "Evolutia" acum constă în testarea, dacă aceste persoane pot contribui la rezolvarea problemei. Principiul general folosit acum este "supravietuirea celui mai adaptat". Generații de persoane sunt create, apoi amice, evolua, să evolueze până în momentul în care o persoană devine evident răspunsul optim la problema. Acesta va fi supraviețuit tuturor modificărilor genetice pentru a deveni "celui mai adaptat" individuală.
Celui mai adaptat individ este apoi convertit înapoi într-o formă ușor de înțeles, și anume un model.
Toate acestea pot părea destul de complicat, dar fiți siguri: Utilizarea GPF ascunde toate că complexitate.
Algoritmii genetici nu sunt cu siguranță tehnica de optimizare disponibile numai pentru a da rezultate bune. Cu toate acestea, căutare exhaustivă și/sau programare liniară ar lua mult mai mult, fie mai la proces, și ar putea reveni, de asemenea, rezultate optime non fi procesul de optimizare se poate obține cu ușurință prins într-o soluție optimă locală.
Ultimele știri GPF
G.P.F. este stabil și nu va fi menținut în continuare.
Interesat de G.A.s?
Există o bună F.A.Q. de pe acest site pe Algoritmi genetici inițial extrase din știri comp.ai.genetic. Click aici pentru a ajunge la ea.
Keen G.P.F. Utilizatorii pot să exploreze Algoritmi genetici în continuare cu GeneHunter de la sistemele de Ward. Pentru non-programatori, GeneHunter poate fi utilizat direct din Excel. Programatorii au mai multă flexibilitate în rezolvarea game mai largi de probleme folosind DLL GeneHunter furnizat. Fiind un utilizator înregistrat, de asemenea, GeneHunter dă dreptul de a accesa ajustari fine genetice.
C + + dezvoltatorii pot utiliza, de asemenea, GALIB C++ free library from the M.I.T. Drepturi limitate distribuțiile se aplică. Există mai multe și mai G.A. Probele disponibile pe Internet, cum ar fi, de exemplu, exercitarea celebrul comis-voiajorului care source code pot fi găsite pe
CodeProject.com site web.
Inițial, la
http://www.foretrade.com/gpf.htm
La pagina principală