الخوارزمية الجينية فوركس ماتلاب

استخدام الخوارزميات الجينية للتنبؤ بالأسواق المالية اقترح بيرتون في كتابه، وهو المشي العشوائي وول ستريت، (1973) أن قرد معصوب العينين يلقي رمي السهام في الصحف صفحات مالية يمكن أن تختار محفظة من شأنها أن تفعل فقط وكذلك واحدة مختارة بعناية من قبل الخبراء. في حين أن التطور قد جعل الإنسان لا أكثر ذكاء في اختيار الأسهم، نظرية تشارلز داروينز فعالة جدا عندما تطبق بشكل مباشر أكثر. (لمساعدتك في اختيار الأسهم، تحقق من كيفية اختيار الأسهم). ما هي الخوارزميات الجينية الخوارزميات الجينية (غاس) هي طرق حل المشاكل (أو الاستدلال) التي تحاكي عملية التطور الطبيعي. على عكس الشبكات العصبية الاصطناعية (أنس)، المصممة لتعمل مثل الخلايا العصبية في الدماغ، وهذه الخوارزميات الاستفادة من مفاهيم الانتقاء الطبيعي لتحديد أفضل حل لمشكلة. ونتيجة لذلك، تستخدم غاس عادة كمحسنين يقومون بضبط المعلمات لتقليل أو زيادة بعض ردود الفعل قياس، والتي يمكن بعد ذلك استخدامها بشكل مستقل أو في بناء آن. في الأسواق المالية. الخوارزميات الجينية هي الأكثر شيوعا للعثور على أفضل القيم مزيج من المعلمات في قاعدة التداول، وأنها يمكن أن تكون مبنية في نماذج آن مصممة لاختيار الأسهم وتحديد الصفقات. وقد أظهرت العديد من الدراسات أن هذه الأساليب يمكن أن تكون فعالة، بما في ذلك الخوارزميات الجينية: تكوين تقييم الأسهم (2004) من قبل راما، وتطبيقات الخوارزميات الجينية في بيانات سوق الأسهم الأمثل التعدين (2004) من قبل لين، تساو وانغ، تشانغ. (لمعرفة المزيد عن أن، انظر الشبكات العصبية: التنبؤ الأرباح) كيف الخوارزميات الجينية العمل الخوارزميات الجينية يتم إنشاؤها رياضيا باستخدام ناقلات، والتي هي الكميات التي لها اتجاه وحجم. وتتمثل المعلمات لكل قاعدة تداول مع متجه أحادي البعد يمكن اعتباره كروموسوم في المصطلحات الوراثية. وفي الوقت نفسه، يمكن اعتبار القيم المستخدمة في كل معلمة من الجينات، والتي يتم تعديلها بعد ذلك باستخدام الانتقاء الطبيعي. على سبيل المثال، قد تنطوي قاعدة التداول على استخدام معلمات مثل المتوسط ​​المتحرك للتقارب-الاختلاف (ماسد). المتوسط ​​المتحرك الأسي (إما) و ستوشاستيك. وعندئذ تقوم الخوارزمية الجينية بإدخال القيم في هذه المعلمات بهدف تحقيق أقصى قدر من صافي الربح. مع مرور الوقت، يتم إدخال تغييرات صغيرة وتلك التي تجعل تأثير مرغوب فيه يتم الاحتفاظ بها للجيل القادم. هناك ثلاثة أنواع من العمليات الجينية التي يمكن بعد ذلك القيام بها: عمليات الانتقال تمثل الاستنساخ و كروس أوفر البيولوجي في علم الأحياء، حيث يأخذ الطفل على خصائص معينة من والديه. وتمثل الطفرات طفرة بيولوجية وتستخدم للحفاظ على التنوع الوراثي من جيل واحد من السكان إلى الجيل التالي من خلال إدخال تغييرات صغيرة عشوائية. الاختيارات هي المرحلة التي يتم فيها اختيار الجينومات الفردية من السكان من أجل التكاثر في وقت لاحق (إعادة التركيب أو كروس أوفر). ثم يتم استخدام هذه الشركات الثلاث في عملية من خمس خطوات: تهيئة السكان العشوائية، حيث كل كروموسوم هو n - length، مع ن هو عدد المعلمات. وهذا يعني أنه يتم تحديد عدد عشوائي من المعلمات مع العناصر n لكل منهما. حدد الكروموسومات، أو المعلمات، التي تزيد من النتائج المرغوبة (صافي الربح المفترض). تطبيق طفرة أو مشغلي كروس إلى الآباء المختارين وتوليد نسل. ريكومبين ذرية والسكان الحاليين لتشكيل السكان الجدد مع المشغل اختيار. كرر الخطوات من 2 إلى 4. مع مرور الوقت، هذه العملية سوف يؤدي إلى الكروموسومات مواتية على نحو متزايد (أو، المعلمات) لاستخدامها في قاعدة التداول. ثم يتم إنهاء العملية عند استيفاء معايير التوقف، والتي يمكن أن تشمل وقت التشغيل، واللياقة البدنية، وعدد الأجيال أو معايير أخرى. (لمزيد من المعلومات عن ماسد، اقرأ تجارة ماكد الاختلاف). باستخدام الخوارزميات الوراثية في التداول في حين تستخدم الخوارزميات الجينية في المقام الأول من قبل التجار الكمي المؤسسي. يمكن للتجار الأفراد تسخير قوة الخوارزميات الجينية - دون درجة في الرياضيات المتقدمة - باستخدام العديد من حزم البرمجيات في السوق. وتتراوح هذه الحلول من حزم برامج مستقلة موجهة نحو الأسواق المالية إلى إضافات ميكروسوفت إكسيل التي يمكن أن تسهل المزيد من التحليل العملي. عند استخدام هذه التطبيقات، يمكن للتجار تعريف مجموعة من المعلمات التي يتم تحسينها بعد ذلك باستخدام خوارزمية جينية ومجموعة من البيانات التاريخية. يمكن لبعض التطبيقات تحسين المعلمات التي تستخدم والقيم بالنسبة لهم، في حين أن البعض الآخر يركز في المقام الأول على مجرد تحسين القيم لمجموعة معينة من المعلمات. (لمعرفة المزيد عن هذه الاستراتيجيات المستمدة من البرنامج، انظر قوة برنامج الصفقات.) نصائح التحسين الهامة والخدع منحنى المناسب (أكثر من المناسب)، وتصميم نظام التداول حول البيانات التاريخية بدلا من تحديد السلوك القابل للتكرار، يمثل خطرا محتملا للتجار باستخدام الخوارزميات الجينية. أي نظام تداول باستخدام غاس يجب أن يتم اختباره مسبقا على الورق قبل الاستخدام المباشر. اختيار المعلمات هو جزء مهم من العملية، ويجب على التجار البحث عن المعلمات التي ترتبط بالتغيرات في سعر الأمن معين. على سبيل المثال، جرب مؤشرات مختلفة ومعرفة ما إذا كان أي من هذه العوامل يبدو مرتبطا بتحولات السوق الرئيسية. الخوارزميات الجينية الخيطية هي طرق فريدة لحل المشاكل المعقدة عن طريق تسخير قوة الطبيعة. من خلال تطبيق هذه الأساليب لتوقع أسعار الأوراق المالية، يمكن للمتداولين تحسين قواعد التداول من خلال تحديد أفضل القيم لاستخدامها لكل معلمة لأمن معين. ومع ذلك، فإن هذه الخوارزميات ليست الكأس المقدسة، ويجب أن يكون التجار حذرين لاختيار المعلمات الصحيحة وليس منحنى تناسب (أكثر مناسبا). (لقراءة المزيد عن السوق، تحقق من الاستماع إلى السوق، وليس في صناديقها.) ميتاترادر ​​4 - اختبار الخوارزميات الجينية مقابل بحث بسيط في محسن ميتاتريدر 4 1. ما هي الخوارزميات الجينية توفر منصة ميتاتريدر 4 الآن خوارزميات جينية من وتحسين مدخلات الخبراء الاستشاريين. أنها تقلل الوقت الأمثل بشكل كبير دون أي إبطال كبير من الاختبار. يتم وصف مبدأ عملها في مادة اسمها الخوارزميات الجينية: الرياضيات في التفاصيل. ويخصص هذا المقال ل إيس المدخلات الأمثل باستخدام الخوارزميات الجينية مقارنة مع النتائج التي تم الحصول عليها باستخدام البحث المباشر الكامل لقيم المعلمة. 2. مستشار الخبراء للتجارب بلدي، وأنا أكملت قليلا إي اسمه كروسماسد التي قد تكون معروفة من المادة اسمه إدارة أوامر - بسيطة: وأضاف ستوبلوس و تاكيبروفيت إلى المواقف الموضوعة. وأضاف وقف زائدة. تستخدم المعلمة أوبنلوفت لتصفية الإشارات: الآن إشارة سيأتي إذا تم عبور خط الصفر في كمية معينة من النقاط (مع دقة إلى مكان عشري واحد). وأضاف المعلمة كلوغلوفت لتصفية مماثلة من إشارات وثيقة. وضعت في المتغيرات إكسيرنال فترات من بطء والمتوسطات سريعة التحرك المستخدمة لحسابات ماسد. الآن هو خبير خبير مكتمل عمليا. سيكون من المناسب لتحسينه واستخدامه في التداول. يمكنك تحميل إي CrossMACDDeLuxe. mq4 إلى جهاز الكمبيوتر الخاص بك واختباره بشكل مستقل. 3. الأمثل الآن يمكننا أن نبدأ لتحسين إي. وسيتم إجراء ثلاثة اختبارات مع كميات مختلفة من عمليات البحث الأمثل. وهذا سوف يساعد على مقارنة الأرباح التي تم الحصول عليها باستخدام خوارزميات وراثية في حالات مختلفة. بعد كل اختبار، وسوف يدويا إزالة مخبأ اختبار للاختبارات اللاحقة عدم استخدام مجموعات وجدت بالفعل. هذا ضروري فقط للتجربة لتكون أكثر دقة - عادة، تشاتشينغ الآلي من النتائج يعزز فقط الأمثل المتكررة. لمقارنة النتائج. التحسين باستخدام الخوارزميات الجينية سيتم مرتين: لأول مرة - من أجل العثور على الربح الأقصى (الربح)، للمرة الثانية للعثور على أعلى عامل الربح (عامل الربح). بعد ذلك، سيتم إعطاء أفضل ثلاث نتائج لكلا الأسلوبين الأمثل في جدول تقرير الملخص مرتبة حسب الأعمدة المعطاة. التحسين هو تجريبي بحتة. لا تهدف هذه المقالة إلى إيجاد المدخلات التي من شأنها حقا تحقيق أكبر قدر من الأرباح. رمز الرسم البياني اليورو مقابل الدولار الأميركي الرسم البياني الإطار الزمني 1 فترة الاختبار 2 سنة النمذجة أسعار مفتوحة فقط المدخلات التي بحثت في: وتجدر الإشارة إلى أنه عند استخدام الخوارزميات الجينية، والوقت المتوقع من التحسين هو تقريبا نفس التحسين باستخدام البحث المدخلات المباشرة. والفرق هو أن الخوارزمية الجينية تقوم بشكل مستمر بعرض مجموعات غير ناجحة بالتأكيد، وبهذه الطريقة، تقلل من كمية الاختبارات الضرورية عدة مرات (ربما عدة عشرات، مئات، آلاف المرات). هذا هو السبب في أنه يجب أن لا تكون موجهة إلى الوقت الأمثل المتوقع عند استخدام الخوارزميات الجينية. سيكون الوقت الأمثل الحقيقي دائما أقصر: كما ترون، استغرق التحسين باستخدام الخوارزميات الجينية أقل من أربع دقائق بدلا من المتوقع خمس ساعات ونصف. الرسم البياني الأمثل مع الخوارزميات الجينية يختلف أيضا عن ذلك مع البحث المباشر. وبما أن التوليفة السيئة قد تم فرزها بالفعل، يتم إجراء الاختبارات اللاحقة مع مجموعات من المدخلات التي تكون أكثر ربحية افتراضيا. هذا هو السبب في الرسم البياني التوازن ترتفع: دعونا ننظر في نتائج كل من طرق التحسين في جميع التفاصيل. لقد تغير الوضع. تتزامن فترات التحسين (خطأ غير هام مقبول)، والنتائج متطابقة. ويمكن تفسير ذلك من خلال أن التحسين كان يتألف من 1331 بحث فقط وهذا المبلغ من التصاريح ليست كافية فقط لاستخدام الخوارزميات الجينية. ليس لديهم وقت لالتقاط السرعة - التحسين هو أسرع بسبب فحص من فقدان بالتأكيد تركيبات المدخلات، ولكن وجود مثل هذا العدد من مجموعات كما هو مبين أعلاه، الخوارزميات الجينية لا يمكن تحديد ما الآباء (تركيبات المدخلات) توليد سيئة خارج الربيع. لذلك، ليس هناك معنى لاستخدامها. 4. الاستنتاجات الخوارزميات الجينية هي إضافة لطيفة إلى 4 استراتيجيات الأمثل. يتم تحسين الأمثل بشكل كبير إذا كان كمية من عمليات البحث كبيرة، تتزامن النتائج مع تلك التي تم الحصول عليها عن طريق التحسين العادية. الآن ليس هناك معنى لاستخدام البحث الكامل في المدخلات. الخوارزميات الجينية سوف تجد أفضل نتيجة أسرع وأقل فعالية. 5. أفتيرورد بعد أن كتبت المقال، أنا راض الفضول وأطلقت الأمثل من كروسمادلوكس على جميع المدخلات. وبلغ مجموع المجموعات أكثر من مائة مليون (103 306 896). استغرق التحسين باستخدام الخوارزميات الجينية 17 ساعة فقط، في حين أن الأمثل باستخدام البحث في جميع المدخلات يستغرق حوالي 35 عاما (301 223 ساعة). الاستنتاجات متروك لك. جياتبكس: أدوات خوارزمية جينية وتطورية للاستخدام مع وثائق ماتلاب تقوم مجموعة أدوات الوراثة الجينية والتطورية (غيتبكس) بتنفيذ مجموعة واسعة من الخوارزميات الجينية والتطورية لحل المشاكل الكبيرة والمعقدة في العالم الحقيقي. يتم تضمين العديد من العروض الجاهزة وأمثلة. 6 تركيب جيتبكس بسيط ويمكن القيام به في دقيقة واحدة. ملاحظات الإصدار من غيتبكس إعطاء نظرة عامة المدمجة من الميزات الجديدة والتغييرات بين الإصدارات. 1 دروس البرنامج التعليمي - يفسر استخدام غيتبكس، بما في ذلك بداية سريعة، وكيفية كتابة المهام الموضوعية الخاصة، واستخدام الأمثل متعدد الأهداف، وتقييد الأمثل والنهج لمشاكل التحسين الجديدة. البدء السريع في كتابة المهام الموضوعية التمثيل المتغير هيكل أدوات منظمة الصحة العالمية الهيكل - دعوة شجرة الوظائف وتسمية الاتفاقيات تحسين متعدد الأهداف التحسين المعيق هياكل البيانات كيفية التعامل مع مشكلات التحسين الجديدة أمثلة على الوظائف الموضوعية 1 وظائف التحسين البارامتري، بما في ذلك. وظيفة دي جونغس، وروسينبروكس الوادي (وظيفة دي جونغس 2)، وظيفة راستريجينز، وظيفة سكويفلز، وظيفة غريوانغكس، وظيفة مسار أكليس، وظيفة لانجرمانز، وظيفة ميكاليويتز، وظيفة برانينز ركيوس، وظيفة إيسومز، وظيفة غولدشتاين الأسعار، ستة سنام الجمل وظيفة الظهر . 2 مقدمة في الخوارزميات التطورية توضح بنية الخوارزميات التطورية ومشغليها كما تم تنفيذها في جيتبكس. ويمكن أيضا أن تستخدم لفهم عمل الخوارزميات التطورية. الخوارزميات التطورية: مبادئ وطرائق وخوارزميات مقدمة نظرة عامة اختيار إعادة تشكيل طفرة إعادة دمج متعددة الهدف الأمثل نماذج السكان - تنفيذ موازية تطبيق استراتيجيات مختلفة مزيج من مشغلي وخيارات لإنتاج خوارزميات التطورية (الأوراق والكتب والمؤتمرات) في مجال الحساب التطوري 3 مرجع يحتوي على شرح عميق لجميع الإعداد المعلمة المتاحة وخيارات جيتبكس وتوثيق المهام المنفذة التي تم إنشاؤها مباشرة من مصدر m - الملفات. إعدادات المعلمة خيارات جيتبكس - في لمحة عميقة عن الميزات والمشغلين والمعلمات والخيارات من الأدوات، يتم عرض كافة الإعدادات، يتم شرح معنى وتقدم أمثلة فهرس غيتبكس ماتلاب الملفات - الوثائق، التي تنتج مباشرة من شفرة المصدر (غرض، بناء الجملة وأمثلة من جميع الروتينية) 4 ملامح جيتبكس الحقيقي، صحيح، ثنائي (التحجيم الخطي واللوغاريتمي والرمادية الترميز) وتغيير التمثيل متغير تعيين اللياقة البدنية: لينيرون الخطية ترتيب ترتيب متعدد الأهداف: باريتو تحديد المستوى، تحقيق الهدف، اختيار المشاركة: أخذ العينات العالمية العشوائية، المحلية، اقتطاع، إعادة اختيار اختيار البطولة: منفصلة، ​​وسيطة، خط، خط موسع، بيرموتاتيونشدولينغ كروس: نقطة سينغلدوبل، خلط ورق اللعب، وخفض الطفرة البديلة: ثنائي، عدد صحيح، قيمة حقيقية، بيرموتاتيونشدولينغ إعادة الإدراج : العالمية والإقليمية، والهجرة المحلية: غير المقيد، حلقة، والمنافسة حي: بين المجموعات السكانية الفرعية هيغ (على المستوى العالمي والإقليمي والمحلي) دعم متعدد الاستراتيجيات لدعم تعدد السكان (تشغيل استراتيجيات بحث متعددة بجانب بعضها البعض في تشغيل واحد الأمثل) المنافسة بين المجموعات السكانية الممكنة (يوفر التوزيع الفعال للموارد الكمبيوتر بين مختلف (بعد التحسين الأمثل باستخدام البيانات المسجلة) مراقبة مريحة وتخزين النتائج (كل تشغيل يمكن توثيقها بالكامل في ملفات النصوص والبيانات) ) دمج المعرفة الخاصة بالمشكلة (تشمل الأمثلة) 5 تنفيذ تنفيذ ملف m غيتبكس (ماتلاب 5.3، 6.x، 7.x، R2006ab وربما أحدث) متوافق على جميع منصات الكمبيوتر وحدات، سهل الاستعمال هيكل وظائف الدخول العالية العديد من الأمثلة وشملت وظائف الاختبار (جاهزة للتشغيل) إعدادات المعلمة الافتراضية إيس إيلي الموسعة وثائق واسعة 6 التثبيت استخراج الملفات المضغوطة في الدلائل المطلوبة. يجب الحفاظ على بنية الدليل سليمة. من المستحسن أن يتم تخزين ملفات أدوات الأدوات الجينية والتطورية في دليل يدعى جيتبكس قبالة الدليل ماتلابتولبوكس الرئيسي. يجب تضمين جميع مسارات أدوات أدوات جي في مسار البحث ماتلاب. حقا، وتشمل جميع المسارات. إعادة تشغيل ماتلاب وظائف جيتبكس يجب أن تكون متاحة. اختباره عن طريق تشغيل أحد البرامج النصية ديموكسامبل (على سبيل المثال demofun1.m، demo. m في البرامج النصية الدليل الفرعي). 7 استخدام الوثائق يرجى مراعاة ما يلي: يسمح باستخدام هذه الوثائق فقط للحصول على المعلومات الشخصية. بالإضافة إلى ذلك، يمكنك نسخ هذه الوثائق في شكل دون تغيير على الشبكة الداخلية للاستخدام الداخلي كوثيقة من أدوات الأدوات الجينية والتطورية. يحظر استخدام الوثائق أو جزء منها في شكل متغير. (ومع ذلك، إذا كنت ترغب في استخدام أجزاء منه، نص أو رسومات للمحاضرات، وثائق أخرى أو أي شيء آخر، يرجى الاتصال بالمؤلف.) 8 لماذا صندوق أدوات للخوارزميات التطورية لماتلاب خلال السنوات الأخيرة مصلحة في الخوارزميات الجينية والتطورية (إي: خوارزميات التطور) التي أثيرت باطراد. وبالمقارنة مع إجراءات البحث والتحسين التقليدية، مثل الاستراتيجيات القائمة على حساب التفاضل والتكامل والتعداد، فإن الخوارزميات التطورية متينة وموجهة عالميا، وتكون أكثر وضوحا عموما لتطبيقها في الحالات التي لا توجد فيها معرفة مسبقة عن المشكلة لحلها. كما تتطلب الخوارزميات التطورية أي معلومات المشتقة أو التقديرات الأولية الرسمية للحل، ولأنها عشوائية في الطبيعة، خوارزميات التطورية قادرة على البحث في حل الفضاء مع احتمال أكبر للعثور على الأمثل العالمي. أصبح ماتلاب معيارا واقعيا في مجموعة واسعة من التطبيقات التقنية. يتم توفير العديد من المجالات من قبل مجموعة واسعة من أدوات الأدوات جنبا إلى جنب مع أدوات التصور والتحليل واسعة النطاق. وبالإضافة إلى ذلك، ماتلاب لديه بنية مفتوحة وقابلة للتمديد السماح للمستخدمين الفرديين لتطوير مزيد من الروتين لتطبيقاتها الخاصة. توفر هذه الصفات بيئة موحدة ومألوفة لبناء أدوات خوارزمية جينية وتطورية. هذه الوثيقة هي جزء من الإصدار 3.8 من جيتبكس: الأدوات الوراثة والتطورية خوارزمية للاستخدام مع ماتلاب - جيتبكس. إن أدوات الأدوات الجينية والتطورية ليست مجالا عاما. 169 1994-2006 هارتموت بوهلهيم، آل ريتس ريسرفيد، (سوبورتجاتبكس).