利用多种交易工具制定日内外汇交易策略

外汇交易GP系统遗传编程体系结构是一个复杂的系统，包含许多抽象层：从正确的GPA算法实现，到进化程序的领域和运行方式，最后到评估其性能的能力函数。2.1 GP框架我们系统的核心是HeuristicLab平台、开放源代码、可扩展的基于插件的启发式和进化算法优化框架，由上奥地利应用科学大学启发式和进化算法实验室开发和维护[32]。HeuristicLab通过设计将优化算法的逻辑抽象和源代码模块与待解决问题的逻辑抽象和源代码模块分离，从而促进现有功能的重用。其他优势包括访问整个原始代码库，允许重新实现或添加任何功能；支持并行执行，大大减少了算法运行的计算时间；以及强大的内置解决方案和人口分析功能。HeuristicLab本身就支持遗传编程，特别是以树GP的形式：一种由Koza推广的实现[18]。作者开发了其他模块，用于显著改进大型数据集、大型人口设置[9]上的算法运行时间，以及模拟金融市场和评估交易解决方案的功能。2.2 GP策略AMH似乎表明，随着成熟技术交易方法的普及，它们往往会失去效力。因此，我们的调查试图发现有利可图的交易策略，与传统使用的模型不同。第1.2节中提到的许多文章都采用了遗传算法和人工神经网络技术。

这类技术优化预先确定的模型，或者具有非常有限的模型结构优化能力。Neely和Weller[26,27]、Wilson和Banzhaf[35]、Vasilakis等人[31]、Loginov[21]和Manahov[22,23]的工作实现了适当的GP，从而允许优化过程也自由地演化模型结构。每一个记录在案的先前实施中都存在一个方面，即对常见技术分析指标（如MACD、动量等）的依赖或使用。如果由人类交易者进行解释和分析，这些指标就有其用处。然而，一个自动构建的交易策略是否也会朝着使用它们的方向发展，这是有争议的，因为它们代表了一种天生有偏见的观点。此外，鉴于此类技术指标的广泛使用，GP项目的可用性可能会提供一条路径，在代表传统但可能次优的交易策略的能力格局中，对局部最优的阻力最小。最后，我们的架构将演变为不使用传统技术指标的GP自由形式策略。因此，本文中给出的实验函数集仅包含算术和三角运算符，以及布尔运算符和流量控制语句，以允许出现函数if then elseconstructs。后者使进化后的个体能够发展出不同的行为，以应对潜在市场的变化。具体来说，函数集的成员包括：加法、减法、乘法、除法、正弦、余弦、正切、IfThenElse、GreaterThan、LessThan。

终端集由输入变量、变量以及随机生成的常数、常数组成；这两种类型的终端节点都允许乘法权重值。树木有深度限制和长度限制，因此可以减少膨胀现象[2,5]。代表我们GP个体的树是使用概率方法生成的。交叉是使用子树交换实现的。Selectionis基于比赛。突变可以通过以下方式发生：改变非末端节点的类型，改变末端节点的权重值，移除asub树，用新生成的树

我们提出的方法的另一个创新之处在于，虽然本研究中提出的策略只会交易美元。日元，他们将获得以下工具的输入条数据：欧元。美元，美元。日元，英镑。美元，澳元。美元，占全球每日总流动性的重要部分。其目标是使代理人能够发现可能有利于其交易绩效的内部安全模式和相关性。与单一安全价格或条形值相比，这大大增加了问题空间的维度：策略每个数据点总共有16个输入值，而不是仅为交易工具提供输入时的4个输入值。然而，GP的隐式、涌现式、特征选择特性意味着每种策略只利用总可用输入的任意子集[6]。考虑到问题空间的高维性以及变量之间的多对多非平凡相关性和关系，我们选择不对数据执行任何预处理或标准化过程；barprice值按原样使用。因此，进化后的策略暴露于潜在市场的非平稳性：如果输入值随着时间的推移与训练数据集中的范围偏离过多，策略可能会失去预测或行动能力。另一方面，无预处理策略可以防止数据中存在的任何信息丢失，从而为进化过程留下更多的自由和模式学习潜力。2.3.2策略的输出最常见的实施包括将GP计划的输出映射到买入、卖出或保留操作，或映射到任意多头/空头头寸；或者，进化后的程序只会产生下一步的价格预测。

然后，这两种输出类型都被耦合到一个固定的模型中，不受进化优化的影响，知道股票数量和负责发布交易订单的当前头寸。这两种模式的主要局限性在于，策略的最终表现完全取决于现有的交易模式。为了给进化的策略提供最大的自由度，我们将采用一种类似于[22,23]中所述的方法，其中对于每一组输入值，GP个体计算一个输出值，该输出值被解释为所需的位置曝光。有效敞口范围从+100到-100，从完全多头仓位到完全空头仓位。这种选择带来的主要优势是，由于产出值代表着一种完全相对的平等性，因此，战略与股本交易量完全脱钩。另一个新出现的特征是策略的演变，其输出可以被视为一个数据点对一个数据点的信心值信号，而不是一个即将到来的趋势转变的触发器。这两种特性都适合在实时交易中应用，使得以后可以将策略逻辑用于不同的交易或投资组合管理模型。2.3.3交易模式在外汇交易中，与股票市场不同，例如，完全多头头寸意味着所有资产都以报价货币计价，而完全空头头寸则意味着所有资产都以基础货币计价。由于一种货币上涨，另一种货币下跌，外汇交易涉及将资产从一种货币适当地转移到另一种货币，反之亦然。

因此，为了抓住这种市场动态，我们的战略是在一个只有50%多头和50%空头的安全仓位的环境中发展起来的：一方取得的收益与另一方的损失完全匹配。这种模型化成功地使战略能够在市场的双方进行交易。这也促使他们采取行动：无论基础市场条件如何，50-50的起始仓位的总价值都不会改变。100-0或0-100的起始状态相当于买入并持有策略，因此可能会在评估期结束时产生收益。这导致了对不受欢迎的战略行为的奖励；初步实验证实了这赋予了个体探索方面的潜在进化优势，使得算法更难找到具有活跃交易特性的策略。战略的初始值为50-50的任意股权金额。如第2.3.2节所述，每个数据点策略计算一次所需的位置暴露。如果策略输出与当前持有的头寸相差超过10%，则会发出相应的买入或卖出指令；根据花旗集团的live forextrading平台，订单大小总是四舍五入到5000货币单位的倍数。已发布的指令作为交易证券当前收盘价的市场指令执行。这使得策略的内部逻辑成为执行交易行为的唯一责任。Neely和Weller[27]、Mendes等人[25]和Godinho[14]的研究结果表明，交易成本对战略的可操作性有着巨大的影响。

然而，它们经常被忽略，或者它们的应用是近似的；此外，之前的文章没有提到它们的应用是否是先验的，因此进化过程会隐式地调整策略以适应它们的存在，或者是后验的，如果考虑到它们的实用性，无论其大小，必然会导致策略的执行更差。在这项工作中，交易成本与花旗集团在实时交易中应用的成本相匹配。在我们的情况下，交易成本为每百万美元交易15美元，适当转换为非美元货币对。最后，存储执行细节，以便在评估结束时计算各种统计数据。我们的交易模拟也知道数据点时间戳，允许它跟踪交易日并每天计算性能统计。2.3.4适应度评估传统上，GP用于从计算角度根据回归或分类问题构建的问题：在这种情况下，适应度函数直观且恰当地定义为误差度量，例如，对于事先已知的期望输出值，均方误差。然而，在金融交易等基于模拟的问题中，为每个数据点定义所需的输出值是毫无意义的：在时间t（进入头寸）执行的操作的结果至少在时间t+1（退出头寸）之前不会被知道。

因此，一个适当的能力度量不能定义为基于每个数据点的错误，而是作为在整个数据集上获得的性能度量。交易策略的一个自然绩效指标是盈利能力：随着时间的推移，该策略产生了多少利润。一些调查试图通过明确地将其纳入能力函数来促进的另一个目标是使已发生的损失最小化。Wilson和Banzhaf在[35]中比较了原始资产与其他两种考虑了最大提取（MDD，自期初以来的最大累积损失）的资产：一种是从持有资产的最终价值中减去MDD，另一种更保守，而是将该最终价值除以MDD。在他们的大多数评估中，最保守的能力产生了最高的利润。罗吉诺夫利用PIP（外汇交易中的最小利润单位）的能力乘以取决于停留、买入和卖出行为数量的数量，以获得所需的交易活动水平[21]。Hryshko和Downs[16]、Mendes等人[25]以及Dempster和Jones[10]都使用斯特林比率：即普罗菲特除以MDD，或MDD的一个变量。我们同意将低提取率视为实时市场应用的一个重要特征；然而，考虑到许多创新方面，我们对这项工作的主要关注是从纯可操作性的角度评估我们方法的可行性。考虑到我们的策略发出的交易信号的相对性质，与任何特定的股权金额无关，我们可以定义：回报=最终导航初始资产净值- 1（1）如果NAV是战略的资产净值，则为持有资产的总价值。对于初始NAV>0的值，该表达式适用于GP个体的适应性函数。

然而，我们的系统更早、更有限的版本对适应性功能有非常严格的限制，例如不允许出现负值，以及对分数应用最小化策略，因此认为分数越低越好。因此，我们必须制定一个符合这些标准的函数，我们后来决定继续使用该函数，以便能够比较旧GP引擎和当前GP引擎的性能。因此，本研究中用于评估策略的能力函数定义为：能力=e-return（2）该函数映射到一个单调递减的fitnessscape，没有单数或负值，这是一个明确的极限值，适用于策略损失全部资金的最坏情况：limFinal NAV→0能力=eas，并清楚地显示策略是否可行（能力<1）或不可行（能力>1）。为了促进具有积极交易优势的策略，而不仅仅是利用市场的长期趋势，我们引入了一些最低交易量，定义为头寸进入-退出，该策略必须执行。如果该策略的交易次数超过规定数量，则会给其分配一个非常典型的能力分数。另一个导致处罚的案例是，在培训数据集评估结束时，他们失去了所有或更多他们开始使用的公平性的策略。3.实验装置3。1人口规模和世代数如第2.3.1节所述，我们的策略发展所基于的问题空间比之前记录的尝试具有更大的维度，并且基础数据系列是非平稳的。此外，金融交易是一个模拟问题（与回归或分类问题相反），因此不允许每个数据点的最佳输出值预先定义预期行为。

最后，我们主要关注的是发现在看不见的数据上表现良好的个体，因为过度训练是一个潜在的问题。这种情况意味着对搜索空间进行彻底的抽样和学习是不可行的。基于这些原因，我们将非常倾向于探索搜索空间而不是开发，邓普斯特和琼斯[10]以及罗吉诺夫[21]也明确得出了这个结论。因此，我们将采用非常高的人口，低代的设置。相比之下，以前关于这个问题的调查倾向于低人口和高世代数，而倾向于剥削。举例来说，像[26]和[8]这样的早期作品的人口规模只有500人，世代数只有50人；考虑到当时可用的计算资源，这是一个可以理解的选择。到目前为止，最大的记录人口设置是[23]中的10000人。数据集周期天数数据点2012年2月23日-2012年12月23日213 87604验证2012年12月24日-2013年2月22日40 17612OOS 2013年2月23日-2014年2月25日254 105759表1：数据集详细信息在这项工作中，我们使用了75000个总体规模和15.3.2个数据集的代理计数。这项工作中的算法运行和性能评估功能使用了三个不同的数据集：培训、验证和样本外。如第2节所述。3.1数据集由5分钟的条形图组成。美元，美元。日元，英镑。美元和澳元。美元，从东部时间周日17:00到周五17:00。训练集构成了所有个体评估的数据集，根据方程式2获得的能力分数是指导进化算法的唯一分数。在初步调查中，我们发现利用较短的训练时间会增加过度训练策略的出现，无法学习一般模式和行为。