Etter hvert som flere og flere handelsmenn har flyttet til automatisert handel , har interessen for systema trading strategier økt. Mens noen tradere utvikle sine egne trading strategier , er det bratt læringskurve som kreves for å utvikle og implementere et handelssystem et hinder for mange tradere . En nylig utviklet løsning på dette problemet er bruk av dataalgoritmerfor å automatisk generere handelssystemkode. Målet med denne tilnærmingen er å automatisere mange av trinnene i den tradisjonelle prosessen med å utvikle handelssystemer .
Automatisk kodegenerering programvare for byggehandelssystemerer ofte basert på genetisk programmering ( GP ) , som tilhører en klasse av teknikker som kalles evolusjonære algoritmer . Evolusjonære algoritmer og GP særlig ble utviklet av forskere i kunstig intelligens basert på de biologiske begrepene reproduksjon og evolusjon . En GP algoritme utvikler en befolkning på trading strategier fra en opprinnelig befolkning på tilfeldig genererte medlemmer . Medlemmer av befolkningen konkurrere mot hverandre basert på deres egnethet . De montør medlemmer er valgt som foreldre å produsere et nytt medlem av befolkningen , som erstatter en svakere ( mindre fit ) medlem .
To foreldre er kombinert ved hjelp av en teknikk som kalles crossover , som etterligner genetisk crossover i biologisk reproduksjon . I crossover, er en del av en overordnet genom kombinert med en del av den andre forelder genom for å produsere barnet genom. For handelssystem generasjon , kan genomer representere ulike deler av trading-strategi , inkludert ulike tekniske indikatorer, som glidende gjennomsnitt , stochastics , og så videre; ulike typer inn-og utreise bestillinger, og logiske forhold for inn og ut av markedet .
Andre medlemmer av befolkningen er produsert via mutasjon , er som ett medlem av befolkningen er valgt til å bli endret ved tilfeldig å endre deler av genomet sitt . Vanligvis er et flertall ( f.eks 90 % ) av nye medlemmer av befolkningen som produseres via crossover , med de resterende medlemmene som produseres via mutasjon .
Over følgende generasjoner av reproduksjon , den generelle egnethet av befolkningen har en tendens til å øke . Treningssenteret er basert på et sett av bygge mål som rangerer eller scorer hver strategi . Eksempler på bygge mål er blant annet ulike resultatmål , for eksempel netto overskudd , trekk , prosentandel av vinnerne , fortjeneste faktor , og så videre . Disse kan være oppgitt som minimumskrav , for eksempel et overskudd faktor på minst 2,0 , eller som mål å maksimere , slik som å maksimere overskuddet . Hvis det er flere bygge mål , kan et vektet gjennomsnitt brukes til å danne trenings metriske . Prosessen er stoppet etter noen antall generasjoner eller når de fitness stopper økende. Oppløsningen blir vanligvis tatt som den sterkeste medlem av den resulterende populasjon , eller hele populasjonen kan sorteres ved trening og lagret for ytterligere vurdering .
Fordi genetisk programmering er en type optimalisering , er en bekymring over sittende . Dette er vanligvis løses ved hjelp av ut-av- prøvetesting , hvor data ikke er benyttet for å evaluere de strategier under bygge fase anvendes for å teste dem etterpå. I hovedsak , er hver kandidat strategi bygget under byggeprosessen en hypotese som enten støttet eller tilbakevist av evaluering og videre støttet eller tilbakevist av out-of -sample resultater .
Det er flere fordeler med å bygge handelssystemer via automatisk kodegenerering . GP Prosessen muliggjør syntesen av strategier som gis bare et høyt nivå sett av ytelsesmålene. Algoritmen gjør resten. Dette reduserer behovet for detaljert kunnskap om tekniske indikatorer og strategidesignprinsipper. Dessuten er det GP prosessen objektiv . Mens de fleste handelsmenn har utviklet fordommer for eller mot bestemte indikatorer og / eller trading logikk , er GP guidet bare av hva som fungerer . Videre , ved å innlemme riktige trading regel semantikk , GP prosessen kan være konstruert for å produsere logisk riktige handelsregler og feilfri kode . I mange tilfeller gir prosessen GP resultater som ikke bare er unik, men ikke- åpenbare. Disse skjulte perler ville være nesten umulig å finne noen annen måte . Til slutt, ved å automatisere byggeprosessen , den tid som kreves for å utvikle en levedyktig strategi kan reduseres fra flere uker eller måneder til noen få minutter i noen tilfeller, avhengig av lengden av inngangs pris datafil og andre byggeinnstillingene .