Genetiske algoritmer i vanlig engelsk. Målet med denne opplæringen er å forklare genetiske algoritmer tilstrekkelig for at du skal kunne bruke dem i dine egne prosjekter. Dette er en avklart-til-bare-essensiell type opplæring jeg skal ikke gå inn i mye dybde og jeg kommer ikke til å skremme de med deg med matteangst ved å kaste onde ligninger på deg hver få setninger Faktisk vil jeg ikke kaste noen ekkel ligninger på deg i det hele tatt Ikke i denne spesielle opplæringen Uansett smil. Denne opplæringen er designet for å bli lest gjennom to ganger, så vær så snill å bekymre deg om det er fornuftig første gang du studerer det. En leser, Daniel, har lett oversatt denne opplæringen til tysk. Du kan finne den her. En annen leser, David Lewin, har oversatt opplæringen til fransk. Du kan finne den her. Først, en biologisk leksjon. Hver organisme har et sett med regler, en tegning som sagt, som beskriver hvordan organismen er bygget opp fra de små byggeblokkene av liv Disse reglene er kodet i gener av en organisme, som igjen er forbundet sammen i lange strenger kalt kromosomer. Hvert gen representerer et spesifikt trekk av organismen, som øyenfarge eller hårfarge, og har flere forskjellige innstillinger. For eksempel Innstillinger for et hårfargegen kan være blond, svart eller auburn. Disse genene og deres innstillinger blir vanligvis referert til som en genotype av en organisme. Det fysiske uttrykket av genotypen - selve organismen - kalles fenotypen. Når to organismer kompis deler de deres gener Den resulterende avkom kan ende opp med å ha halvparten av gener fra en forelder og en halv fra den andre. Denne prosessen kalles rekombinasjon. Meget av og til kan et gen bli mutert. Normalt vil dette muterte genet v ikke påvirker fenotypens utvikling, men det vil ofte bli uttrykt i organismen som en helt ny egenskap. Livet på jorden har utviklet seg til å være som det er gjennom prosessene med naturlig utvalg, rekombinasjon og mutasjon. For å illustrere hvordan disse prosessene virker sammen for å produsere det mangfoldige flora og fauna vi deler vår planet med, la meg fortelle deg en liten historie. På en tid bodde der en art av skapninger som heter Hooters Hooters hadde utviklet seg helt innenfor de mørke grensene til et enormt hulsystem skjult dypt i tarmene i et fjellkjede De d hadde et lett liv, følelse og lukt rundt de fuktige huleveggene for algerne de så elsket å spise, oser mellom bergarter og ved parringstid lyttet nøye til hodene til andre Hooters. Det var ingen rovdyr i hulene, det var bare Hooters, alger og sporadisk vennlig slug, så Hooters hadde aldri noe å frykte med unntak av kanskje en og annen dårlig temperert Hooter An under Jordfloden strømmet gjennom hulsystemet og vann droppet kontinuerlig ned gjennom vanntabellen, og medførte de friske næringsstoffene algerne trivdes så det var alltid mye å spise og drikke. Selv om Hooters kunne føle og høre godt, hadde de aldri behov for øynene i hulenes hulstyrke og som følge av dette var helt blind. Det virket aldri noe som helst om Hooters skjønt, og de alle hadde en hval av gangen og knuste og hørte i mørket. Da en jordskjelv en dag forårsaket en del av Hule systemet å kollapse og for første gang i mange årtusener følte Hooters varmen fra sollyset på huden og den myke fjærheten av mose under føttene. Noen dristige Hooters smakte moset og fant at det var enda bedre å spise enn hulen alger Ooooooooooh de hooted mellom mouthfuls av mose og straks fikk gobbled opp av marauding eagles som hadde fløyet inn for å se hva all opprør var om. For en stund det så ut som om Hopperne kan bli jaktet til utryddelse, for selv om de likte å spise moset, kunne de aldri fortelle om en ørn flyr over. Ikke bare det, de kunne ikke engang fortelle om de var skjult under en stein eller ikke, med mindre det var lavt nok til nå frem med sine følelser Hver dag vil mange Hooters snuble ut fra hulene med den søte lukten av mose i neseborene for å bli raskt båret bort og spist av en ørn. Deres situasjon virket grumt. Heldigvis har befolkningen i løpet av årene Hooters hadde vokst til å være enorm i hulenes sikkerhet, og nok av dem var overlevende til hjelpekamper. En eagle kan dessuten bare spise så mye En dag ble en Hooters brød født som delte et mutert hudcellegen. Dette bestemte genet var ansvarlig for utviklingen av hudceller på pannen. Under utviklingen av babyen Hooters, da deres hudceller vokste fra de muterte geninstruksjonene, var de litt lysfølsomme. Hver ny baby Hooter kunne fornemme hvis noe var å blokkere lyset til pannen eller ikke Da disse lille babyhopperne vokste opp i større hodeskytter og dristet seg inn i lyset for å spise mossen, kunne de fortelle om det var noe overhodet eller ikke. Så disse Hooters vokste opp for å ha litt bedre sjanse for overlevelse enn deres helt blinde fettere Og fordi de hadde en bedre sjanse til å overleve, reproduserte de mye mer og passerte derfor det nye lysfølsomme hudcellegenet til deres avkom. Etter en kort stund ble befolkningen dominert av Hooters med denne svake fordel. Nå la s zip noen få tusen generasjoner inn i fremtiden Hvis du ekstrapolerer denne prosessen over mange år og involverer mange små mutasjoner som forekommer i hudcellegenene, er det lett å forestille seg en prosess der en lysfølsom celle kan bli en klump av lysfølsomme celler, og deretter hvordan de indre cellene i klumpen kan mutere for å herdes inn i et lite objektivformet område, noe som vil bidra til å samle lyset og f øke det til ett sted Det er ikke så vanskelig å forestille en mutasjon som gir opphav til to av disse lettsamlingsområdene, og derved gi kikkert på Hooters Dette ville være en stor fordel i forhold til deres cyklopsiske fettere som Hooters nå kunne dømme avstander nøyaktig og har et større synsfelt. Som du kan se prosessene med naturlig utvalg - overlevelse av de fitteste - og genmutasjonen har svært kraftige roller å spille i utviklingen av en organisme. Men hvordan passer rekombination inn i ordningen av ting Vel, for å vise deg at jeg trenger å fortelle om noen andre Hooters. På samme tid var Hooters med lysfølsomme celler frolicking rundt i mosen og plaget ørene, en annen Hooters-stamme hadde blitt født som delte et mutert gen som påvirket deres hooter Denne mutasjonen ga opphav til en litt større hooter enn deres fettere, og fordi det var større de kunne nå hoot over lengre avstander Dette viste seg å være nyttig jeg n den raskt fallende befolkningen fordi Hooters med de større hooters kunne ringe til potensielle kompiser som ligger langt unna. Ikke bare det, men de kvinnelige Hooters begynte å vise en liten preferanse til menn med større hooters. Oppsummeringen av dette var selvfølgelig det bedre Hooters stod en mye bedre sjanse for parring enn noen ikke så bra utenfor Hooters Over en periode ble store hooters utbredt i befolkningen. Da en fin dag en kvinnelig Hooter med genet for lysfølsomme hudceller møtte en mannlig Hooter med gen for å produsere store hooters De ble forelsket, og kort etterpå produserte en lamm av nydelige baby Hooters Nå, fordi babyens kromosomer var en rekombination av begge foreldre kromosomer, delte noen av babyene begge spesielle gener og vokste opp, ikke bare for å ha lysfølsomme hudceller, men også store hootere Disse nye avkomene var ekstremt gode for å unngå ørene og reprodusere, slik at utviklingsprosessen begynte å favorisere dem og igjen denne nye forbedrede typen Hooter ble dominerende i befolkningen. Og så videre og så videre. Genetiske algoritmer er en måte å løse problemer ved å etterligne de samme prosessene som mor natur bruker. De bruker den samme kombinasjonen av utvalg, rekombination og mutasjon til utvikle en løsning på et problem Ryddig huh Vend siden for å finne ut nøyaktig hvordan det er gjort. Genetiske algoritmer ble oppfunnet for å etterligne noen av prosessene observert i naturlig utvikling Mange mennesker, inkludert biologer, er forbauset over at livet på nivå av kompleksitet som vi observerer kunne ha utviklet seg på den relativt korte tiden som er foreslått av fossilregistreringen. Ideen med GA er å bruke denne evnen til å løse optimaliseringsproblemer Faren til den opprinnelige genetiske algoritmen var John Holland, som oppfant det tidlig i 1970 s. What er genetiske algoritmer. Genetiske algoritmer GA er adaptive heuristiske søkealgoritme basert på evolusjonerende ideer om naturlig utvalg og genetikk Som sådan representerer de en n intelligent utnyttelse av et tilfeldig søk som brukes til å løse optimaliseringsproblemer Selv om det er randomisert, er GA ikke på noen måte tilfeldig, men i stedet utnytter de historisk informasjon for å lede søket inn i regionen med bedre ytelse i søkeområdet. De grunnleggende teknikkene til GA er designet for å simulere prosesser i naturlige systemer som er nødvendige for evolusjonen, spesielt de følger prinsippene som først ble fastsatt av Charles Darwin for å overleve de sterkeste. I naturen fører konkurransen blant enkeltpersoner til skarpe ressurser til de sterkeste individene som dominerer over de svakere. Hvorfor genetiske algoritmer. Det er bedre enn konvensjonelle AI fordi det er mer robust I motsetning til eldre AI-systemer, bryter de seg ikke lett, selv om inngangene endres litt, eller i nærvær av fornuftig støy. Også i å søke i en stor statlig plass, multimodal tilstand - rom eller n-dimensjonal overflate, kan en genetisk algoritme gi betydelige fordeler over mer typisk søk av optimaliseringsteknologi iques lineær programmering, heuristisk, deep-first, breath-first og praxis. Genetic Algorithms Overview. GAs simulerer overlevelse av de mest sannsynlige blant enkeltpersoner over sammenhengende generasjon for å løse et problem Hver generasjon består av en populasjon av tegnstrenge som er analoge med kromosomet som vi ser i vårt DNA Hvert individ representerer et punkt i et søkerom og en mulig løsning. Individer i befolkningen blir da gjort for å gå gjennom en prosess av evolusjon. GA er basert på en analogi med den genetiske strukturen og oppførselen til kromosomer i en befolkning av enkeltpersoner som bruker følgende fundament. Individer i en befolkning konkurrerer om ressurser og mates. These enkeltpersoner mest vellykkede i hver konkurranse vil produsere flere avkom enn de personer som utfører dårlig. Gener fra gode individer sprer seg over hele befolkningen slik at to gode foreldre vil noen ganger produsere avkom som er bedre enn foreldrene. Hver s Utilgjengelig generasjon vil bli mer egnet til deres miljø. Søk Space. A population of individualsare opprettholdes innenfor søkeområdet for en GA, som hver representerer en mulig løsning på et gitt problem. Hver enkelt person er kodet som en endelig vektorgrave av komponenter eller variabler, i form av noe alfabet, vanligvis det binære alfabetet For å fortsette den genetiske analogien, sammenlignes disse individene med kromosomer og variablene er analoge med gener. Derfor er en kromosomløsning sammensatt av flere genervariable. En treningsscore er tilordnet hver løsning som representerer evnen til et individ å konkurrere Individet med den optimale eller generelt nærmeste optimale treningspoeng er søkt. GA har til hensikt å bruke selektiv oppdrett av løsningene for å produsere avkom bedre enn foreldrene ved å kombinere informasjon fra kromosomene. GA opprettholder en befolkning av n kromosomløsninger med tilhørende treningsverdier Foreldre er valgt for å kompisere, på grunnlag av deres fi tetthet, som produserer avkom via en reproduktiv plan. Derfor gir høypasningsløsninger flere muligheter til å reprodusere, slik at avkom arver egenskaper fra hver av foreldrene. Når foreldrene er sammen og produserer avkom, må rom gjøres for nyankomne siden befolkningen holdes på en statisk størrelse Enkeltpersoner i befolkningen dør og erstattes av de nye løsningene, og til slutt skaper en ny generasjon når alle parringsmuligheter i den gamle befolkningen er utmattet. På denne måten håper vi at bedre løsninger vil trives mens de minst passende løsninger dør ut. Nye generasjoner av løsninger er produsert som inneholder i gjennomsnitt flere gode gener enn en typisk løsning i en tidligere generasjon. Hver etterfølgende generasjon vil inneholde mer gode delvise løsninger enn tidligere generasjoner. Etter hvert, når befolkningen har konvergert og ikke produserer avkom merkbart forskjellige fra de i tidligere generasjoner, er algoritmen selv sies å ha konvergert til et sett med løsninger på problemet ved hånden. Implementeringsdetaljer. Basert på naturlig utvalg. Etter at en innledende populasjon er tilfeldig generert, algoritmen utvikler seg gjennom tre operatører. valg som tilsvarer overlevelse av fittest. crossover som representerer parring mellom individuals. mutation som introduserer tilfeldige modifikasjoner.1 Selection Operator. key ide gir prefrence til bedre individer, slik at de kan overføre sine gener til neste generasjon. Godheten til hver enkelt avhenger av treningen. Faget kan bestemmes av en objektiv funksjon eller ved en subjektiv vurdering.2 Crossover Operator. Prime utmerkede faktor GA fra andre optimaliseringsteknikker. To personer er valgt fra befolkningen ved hjelp av seleksjonsoperatøren. En crossover-side langs bitstrengene er tilfeldig valgt. Verdiene av to strenger utveksles opp til dette punktet. Hvis S1 000000 og s2 111111 og crossover punktet er 2 så S1 110000 og s2 0011 11. De to nye avkomene som er opprettet fra denne paringen, blir lagt inn i neste generasjon av befolkningen. Ved å kombinere deler av gode individer, vil denne prosessen trolig skape enda bedre individer.3 Mutjonsoperatør. Med liten sannsynlighet er en del av nye individer vil få noen av sine biter vendt. Den har som mål å opprettholde mangfoldet i befolkningen og hemme for tidlig konvergens. Mutation alene fremkaller en tilfeldig spasertur gjennom søkeområdet. Mutasjon og valg uten crossover oppretter en parallell, støytolerant, klatrealgoritmer. Effekter av genetiske operatører. Bruk av valg alene vil ha en tendens til å fylle befolkningen med eksemplarer av det beste individet fra befolkningen. Bruke utvalg og crossover operatører vil ha en tendens til at algoritmene skal konvergere på en god, men suboptimal løsning. Bruke mutasjon alene induserer en tilfeldig spasertur gjennom søkspalten. Ved bruk av valg og mutasjon oppstår en parrallell, støytolerant, klatrest algoritme. Al gorithms. randomly initialisere befolkning t. determine fitness befolkning t. select foreldre fra befolkning t. perform crossover på foreldre skape befolkning t 1.perform mutasjon av befolkning t 1.determine treningen av befolkningen t 1. til beste individ er god nok. forrige avsnitt har det vært hevdet at via operasjonene av utvelgelse, crossover og mutasjon vil GA samle seg over suksessive generasjoner mot globalt eller nært globalt optium, hvorfor disse enkle operasjonene skal produsere en rask, nyttig og robust teknikker, hovedsakelig skyldes det faktum at GAs kombinerer retning og sjanse i søket på en effektiv og effektiv måte Siden befolkningen implisitt inneholder mye mer informasjon enn bare de enkelte treningspoengene, kombinerer GAs den gode informasjonen skjult i en løsning med god informasjon fra en annen løsning for å produsere nye løsninger med god indormasjon arvet fra begge foreldrene, uunngåelig forhåpentligvis fører towrads optimalitet. Evnen til algoritmen for å utforske og utnytte samtidig, en økende mengde teoretisk begrunnelse og vellykket søknad på virkelige problemer, styrker konklusjonen at GA er en kraftig og robust optimaliseringsteknikk. En introduksjon til genetiske algoritmer mit press redigert av Melanie Mitchell. Genetiske algoritmer i engineering og datavitenskap redigert av G Winter et al c1995.Foundations av genetiske algoritmer redigert av Gregory JE Rawlins c1991.For detaljer om applikasjoner av genetikk algoritmer, vennligst se til min partner, Chun s article. Using Genetic Algorithms To Forecast Financial Markets. Burton foreslo i sin bok, En tilfeldig Walk Down Wall Street, 1973 at En blindfoldet ape kaste dart på en avisens finansielle sider kunne velge en portefølje som ville gjøre like godt som en nøye utvalgt av eksperter. Mens evolusjonen kanskje har gjort mannen ikke mer intelligent for å plukke aksjer, har Charles Darwin s teori ganske effektive når det brukes mer direkte for å hjelpe deg pi ck aksjer, sjekk ut Hvordan velge en aksje. Hva er genetiske algoritmer. Genetiske algoritmer GAs er problemløsende metoder eller heuristikker som etterligner prosessen med naturlig utvikling I motsetning til kunstige nevrale nettverk ANNs, designet for å fungere som neuroner i hjernen, bruker disse algoritmene Begrepet naturlig valg for å bestemme den beste løsningen for et problem Som et resultat blir GAs ofte brukt som optimaliseringsverktøy som justerer parametere for å minimere eller maksimere noe tilbakemåling, som deretter kan brukes uavhengig eller i konstruksjon av et ANN. I Økonomiske markeder genetiske algoritmer er oftest brukt til å finne de beste kombinasjonsverdiene til parametere i en handelsregel, og de kan bygges inn i ANN-modeller designet for å velge aksjer og identifisere handler. Flere studier har vist at disse metodene kan vise seg å være effektive, inkludert genetiske algoritmer Genesis of Stock Evaluation 2004 av Rama, og The Applications of Genetic Algorithms i Stock Market Data Mining Optimi zation 2004 av Lin, Cao, Wang, Zhang For å lære mer om ANN, se Neural Networks Forecasting Profits. How Genetic Algorithms Work. Genetic algoritmer er laget matematisk ved hjelp av vektorer, som er mengder som har retning og størrelse Parametre for hver handelsregel er representert med en endimensjonal vektor som kan betraktes som et kromosom i genetiske termer. I mellomtiden kan verdiene som brukes i hver parameter betraktes som gener, som deretter modifiseres ved naturlig seleksjon. For eksempel kan en handelsregel innebære bruk av parametere som Moving Average Convergence-Divergens MACD Eksponensiell Flytende Gjennomsnittlig EMA og Stokastikk En genetisk algoritme vil da legge inn verdier i disse parametrene med sikte på å maksimere nettoresultatet Over tid blir små endringer introdusert, og de som gir en ønskelig innvirkning, beholdes for neste generasjon. Det er tre typer genetiske operasjoner som deretter kan utføres. Crossovers representerer reproduksjon og biologi cal crossover sett i biologi, hvor et barn tar på seg visse egenskaper hos sine foreldre. Mutasjoner representerer biologisk mutasjon og brukes til å opprettholde genetisk mangfold fra en generasjon av en befolkning til den neste ved å introdusere tilfeldige små endringer. Valg er scenen hvor individ genomene er valgt fra en populasjon for senere rekombination eller kryssoverføring. Disse tre operatørene blir da brukt i en fem-trinns prosess. Initialiser en tilfeldig befolkning hvor hvert kromosom er n-lengde, idet n er antall parametere. Det er en tilfeldig antall parametere er etablert med n elementer hver. Velg kromosomene, eller parametrene, som øker ønskelige resultater, antagelig nettofortjeneste. Bruk mutasjoner eller crossover operatører til de valgte foreldrene og generer et avkom. Rekombinere avkom og nåværende befolkning for å danne en ny befolkning med seleksjonsoperatøren. Gjenta trinnene to til fire. Over tid vil denne prosessen resultere i stadig mer favorab le-kromosomer eller parametere for bruk i en handelsregel Prosessen avsluttes da når et stoppkriterium er oppfylt, som kan inkludere kjøretid, kondisjon, antall generasjoner eller andre kriterier. Les mer om MACD, ved å lese Trading The MACD Divergence. Using Genetic Algoritmer i Trading. Mens genetiske algoritmer primært brukes av institusjonelle kvantitative handelsfolk, kan enkelte handelsfolk utnytte kraften til genetiske algoritmer - uten en grad i avansert matematikk - ved hjelp av flere programvarepakker på markedet. Disse løsningene spenner fra frittstående programvarepakker rettet mot finansmarkedene til Microsoft Excel-tillegg som kan lette mer praktisk analyse. Når du bruker disse programmene, kan handelsfolk definere et sett med parametere som deretter optimaliseres ved hjelp av en genetisk algoritme og et sett med historiske data. Noen programmer kan optimalisere hvilke parametere som brukes og verdiene for dem, mens andre primært er fokusert på å optimalisere verdiene for et gitt sett Parametere Hvis du vil lære mer om disse programbaserte strategiene, kan du se Kraften til programhandler. Viktige optimaliseringstips og triks. Ved å tilpasse et passord, utforme et handelssystem rundt historiske data i stedet for å identifisere repeterbar oppførsel, representerer en potensiell risiko for handelsfolk som bruker genetisk algoritmer Et hvilket som helst handelssystem som bruker GA, bør testes på papir før bruk i live. Å velge parametere er en viktig del av prosessen, og handelsfolk bør søke etter parametere som korrelerer med endringer i prisen på en gitt sikkerhet. For eksempel, prøv forskjellige indikatorer og se om noen ser ut til å korrelere med store markedssvingninger. Genetiske algoritmer er unike måter å løse komplekse problemer ved å utnytte naturens kraft. Ved å bruke disse metodene for å forutsi verdipapirpriser kan handelsmenn optimalisere handelsregler ved å identifisere de beste verdiene som skal brukes til hver parameter for en gitt sikkerhet Imidlertid er disse algoritmene ikke den hellige gral, og handelsmenn burde vær forsiktig med å velge de riktige parametrene og ikke kurven passe over passform For å lese mer om markedet, sjekk ut Lytt til markedet, ikke dets pundits. Det maksimale beløpet av penger USA kan låne Gjeldstaket ble opprettet under Second Liberty Obligasjonsloven. Renten som en depotinstitusjon låner midler til i Federal Reserve til en annen depotinstitusjon.1 Et statistisk mål for spredning av avkastning for en gitt sikkerhets - eller markedsindeks Volatilitet kan enten måles. En opptreden av den amerikanske kongressen gått i 1933 som Banking Act, som forbød kommersielle banker fra å delta i investeringen. Nonfarm lønn refererer til enhver jobb utenfor gårder, private husholdninger og nonprofit sektor Den amerikanske Bureau of Labor. The valuta forkortelse eller valutasymbol for den indiske rupee INR, Indiens valuta Rupee består av 1.
No comments:
Post a Comment