Что бы произошло, если ГА позволяли искать не просто лучшие параметры (именно так чаще всего используют ГА), но и лучшие правила? В этой главе приводится результат использования ГА для развития законченной модели входа путем поиска оптимальных правил и параметров для этих правил. Несмотря на сложность, эта методология оказалась эффективной в нашем первом исследовании (Katz, McCormick, февраль 1997).
Как можно использовать ГА для поиска наилучших торговых правил?
Доморощенный ГА просто жонглирует числами. Необходимо найти способ нумерации различных наборов правил. Этого можно достичь многими способами. Простой и эффективный метод включает в себя построение набора шаблонов правил. Шаблон правила — это частичное описание правила с оставленными пробелами, которые необходимо заполнить. Например, если некоторые из правил предыдущих глав рассмотреть как шаблоны правил, то пробелами будут значения периодов усреднения, порогов и других параметров. Шаблоны правил, определенные таким образом, несложно пронумеровать, поставив в соответствие каждому шаблону набор чисел. Первое число в наборе используется как индекс в таблице шаблонов правил. Оставшиеся числа набора используются для заполнения пробелов в шаблоне, в результате чего мы получаем четко определенное правило. Приведенный ниже компьютерный код содержит функцию C++ (Rules), которая производит нумерацию шаблонов; она будет описана позже. Хотя в данном исследовании использовался язык C++, данный метод также можно реализовать в TradeStation с помощью программы TS- EVOLVE, созданной Scientific Consultant Services (516- 696- 3333).
Термин генетический поиск означает использование ГА для поиска самых лучших решений, т.е. имеющих максимальную функцию пригодности. Как правило, набор потенциальных решений, в котором ведется поиск, достигает огромных размеров. В данном приложении мы хотим использовать эволюционный процесс, чтобы выявить набор чисел (генотипов), которые соответствуют основанным на правилах моделям входов (фенотипам) с максимальной функцией пригодности (или торговой эффективности). Иными словами, мы собираемся заняться селективным выращиванием методов входа, основанных на правилах! Вместо того чтобы начинать с конкретного принципа, на котором основывается модель (сезонность, пробой) , в данном случае для начала возьмем набор идей, которые могут способствовать созданию выгодного метода входа. Вместо того чтобы последовательно проверять ценность этих подходов, будет сделано нечто необычное: генетическому процессу эволюции представится возможность создать наилучшую модель входа из набора необработанных идей.
ГА будут искать в чрезвычайно большом множестве решений наилучшую модель входа, которая может быть получена для определенных данных и шаблонов правил. Количество правил для каждой модели будет ограничено во избежание подгонки под исторические данные. Данная задача сводится к поиску оптимальных наборов чисел. Без использования ГА такой массированный поиск решений был бы практически невозможен и неразумен в любом смысле. Конечно, вместо ГА всегда можно осуществить лобовую оптимизацию — особенно, если вы располагаете несколькими тысячелетиями на проведение этой работы. В качестве другой альтернативы можно воспользоваться эмпирическим поиском оптимальных правил, т.е. попытаться найти наилучшие правила с помощью наблюдений, однако этот подход не обязательно позволит максимизировать такую сложную функцию, как соотношение риск/прибыль. ГА обеспечивают эффективный способ выполнения очень больших поисков, особенно когда нет простых эвристических методов решения данной задачи.
