利用多种交易工具制定日内外汇交易策略

这些策略通常侧重于培训市场中特定的、独特的、可预测的短期趋势，但在不同的数据上，交易活动很少，或者表现糟糕。为了应对这种现象，我们考虑的训练集由十个月的数据组成，总共有87603个模拟数据点。当需要对验证集上的策略进行评估时，只对得分最高的10%的人群进行评估。考虑到我们采用的庞大人口规模，这大大减少了算法运行的执行时间，同时也不会对在验证集上找到足够有利、成功的策略产生负面影响。验证集由紧接着训练集17612个数据点的两个月数据组成。为了测试进化后的智能体的泛化能力，在育种过程之后，我们在第三个数据集上评估最佳策略，该数据集包含一个时间段，成功地对其训练集和验证集进行验证。该样本外（OoS）数据集由一年的5分钟条形图数据或105759个模拟数据点组成，直接遵循考虑用于培训和验证的时间段。表1显示了数据集的详细信息。一种常用的策略是滚动窗口再培训[10,35,21]：代理最初是在培训集上进化的，然后应用于测试集。连续的额外算法运行是通过逐步向前移动来执行的，通常与之前的运行、训练集和测试集部分重叠。

最后，将每个雨水测试循环的部分样本外结果进行组合，以获得最终性能。由于金融时间序列不是平稳过程[13]，这种方法已被证明能提高稳定性[21]。然而，这项工作的重点是调查拟议架构的长期预测能力。0.8 0.6 0.4 0.2 0.0 ft1。00.80.60.40.20.0fv1。21.00.80.60.40.20.0图1：等式3中列出的组合训练和验证取芯函数的等高线图及其在查找表策略中的统计可靠性；因此，我们选择不在目前的评估中采用滚动窗口再培训。3.3策略选择标准为了选择在样本集外评估的策略，我们提出了两个备选选择标准。第一个是在训练集中获得的能力分数，如等式2所示。第二个标准是根据培训集和验证集的能力得分计算得出的组合值，如果这两个集都是可支持的，且值小于1。综合得分的公式是：s（英尺，fv）=英尺- fv |+1-p（1）- ft）+（1- fv）√（3） FTA和FV分别是培训和验证能力得分。

它是函数d（ft，fv）=| ft的和- fv |两种能力得分的绝对差异，函数（ft，fv）=1-p（1）- ft）+（1- fv）√具有顶点（1，1）的圆形有限圆锥体，延伸至相对于Z轴的正半空间，并按比例缩放，以在经过ft，Fv平面原点的圆上有根。该功能如图1所示，提供了一个带有山谷的景观，有利于两组得分差异较小的个体；但是，除非这种差异已经为零，否则如果差异因两组分数中只有一组的分数显著提高而增加，则仍然有可能获得更好的综合评分值。为了保持和只训练得分的一致性，这个组合公式也被设计用来最小化表现更好的策略的得分。鉴于FTA和fv之间的权重相等，这种综合评分特别适用于培训和验证集长度相等的情况。值得澄清的是，这一综合衡量标准并不能取代仅用于GP能力目的的培训分数，但它仅用于选择在样本集外运行的策略。换句话说，无论是验证集获得的能力得分还是综合得分都不会对进化过程产生任何影响。总是只有训练集上的性能才能驱动GP优化。3.4样本外评估和分析样本外评估不是在HeuristicLab GP环境内部进行的，而是在定量交易的商业软件中进行的，其中执行流程与繁殖环境中发生的流程类似。

HeuristicLab的定制编写模块能够将代表GP个体的树解析并保存为线性化、纯文本、C#语法形式，第三方交易软件能够导入并运行该语法形式。还可以在其原始培训和验证数据集上重新运行策略。在不同环境中对两种执行流进行比较，可以对繁殖过程中使用的交易、订单执行、导航和位置跟踪模型的正确性进行外部、独立的验证。此外，利用定量交易外部软件可以获得大量策略的绩效统计数据，从而进行更深入的分析。如果在HeuristicLab环境中进行计算，这些额外的统计数据将显著增加本已密集的算法运行时间。最后，外部软件能够连接到实时市场数据提供商和交易经纪人。这意味着，如果需要的话，在技术上和实践上，我们的系统已经可以在真实的市场上运行我们的策略。4.结果共进行了五次GP算法运行；对于每一次选举和选择标准，我们都考虑了表现最好的10个人。表2总结了我们用来发展策略的GP和tradingproblem设置。现在，我们将展示根据这两个标准选择的交易策略在训练和样本外（OoS）数据集上获得的结果，并分析其表达树的长度和结构。4.1培训数据集性能图2显示了一天结束时（EoD）的相对导航值，表示为当前导航初始导航* 在培训数据集上输入100，以获得仅限培训的选择标准（Tr）。

该图显示了单个最佳性能群体75000代15交叉率90%变异率15%最大树深8最大树长60精英1功能性=e-返回最低交易金额50澳元。美元，欧元。美元/英镑。美元，美元。JPY交易工具美元。JPY有效经纪人前10%选定经纪人前10表2：在5次跑步中获得的普通GP跑步设置策略（最佳个人）、5次跑步中单个最佳表现者的平均值（赢家）、在跑步中考虑的10种策略的最佳平均值（最佳跑步）以及在5次跑步中获得的所有50种策略的平均值（平均跑步）。为了进行基准测试，该图表包括美元。日元价格曲线，类似于买入并持有策略以及巴克莱顶级外汇指数。图3显示了根据与图2相同的分组，通过组合选择（TrVa）个性化策略获得的EoD NAV值。表3和表4显示了美元的最终收益率（收益率）、可比天数（天数>0）和皮尔逊相关系数（ρ）。日元。报告了两个财务基准（美元兑日元、BTOP外汇）的价值、每轮10个被考虑的代理的平均值（第1-5轮）、单一最佳代理的平均值（最佳代理）、单一最佳代理的平均值（赢家），以及50个策略的平均值（平均值）。表3为Tr标准，表4为TRVA标准。表5为策略培训数据集报告了关于这两个标准的50种策略的绩效和交易活动的各种汇总统计数据。

业绩部分显示了可预测的运行平均数和代理人的数量，以及那些击败买入并持有交易策略和全球平均日回报率的人的数量。交易活动部分显示平均交易数（交易）、赢交易（赢）和多头交易（多头）比率，以及最高的赢交易和多头交易比率（最大赢交易、最大多头交易）。2012年4月2012年6月2012年UG 2012年CT 2012年DEC 20120.901.001.101.201.30相对EoD NAVUSD。JPYBTOP FXAvg RunBest RunBest IndividualWinners图2：训练集日终NAV，Tr标准策略SAPR 2012年6月2012年UG 2012Oct 2012Dec 20120.901.001.101.201.30相对EoD NAVUSD。JPYBBOP FXAvg RunBest RunBest IndividualWinners图3：训练集日终NAV、TrVa标准策略周转天数>0ρ基准USD。日元1.0551.20%1.00BTOP外汇1.0151.50%0.30RunsRun 1.2768.08%0.19Run 2 1.2668.54%0.05Run 3 1.2667.61%-0.07Run 4 1.2666.20%-0.05Run 5 1.2360.56%-0.07最佳代理1.3266.67%0.25Winners 1.3072.30%-0.10Avg Run 1.2675.12%0.02表3：培训集的每日收益统计，Tr策略周转天数>0ρ美元基准。日元1.05 51.20%1.00BTOP FX 1.01 51.50%0.30RunsRun 1.10 60.09%0.82 Run 2 1.11 53.99%0.94 Run 3 1.10 51.64%0.95 Run 4 1.11 53.99%0.90 Run 5 1.08 50.70%0.95 Best Agent 1.16 56.81%0.40 Winners 1.14 58.69%0.78Avg Run 1.10 51.17%0.96表4：培训集的每日回报统计，TrVastrategies4。2样本数据集性能我们现在将展示在OoS数据集上运行时通过相同策略获得的结果，目的是评估它们在看不见的数据上的性能。

报告的数量和约定与第4.1节中解释的培训数据集结果类似。图4和图5显示了EoD NAV曲线，表6和表7显示了两个选择标准的每日收益统计数据，表8包含了一般绩效和交易活动指标。2013年4月2013年6月2013年UG 2013年10月2013年EC 2013年2月20140.901.001.101.20相对EoD NAVUSD。JPYBTOP FXAvg RunBest RunBest IndividualWinners图4：样本集外日终导航，Tr标准策略4。3.树结构为了研究在这两个标准下选择的交易策略的逻辑差异，我们分析了编码个体的实际符号表达树。在表9中，我们报告了在每个标准的50个策略中计算的平均树长和变异节点数。另一个需要分析的有趣方面是表达式树中输入变量的相对频率。

图6和图7分别显示，每次运行的相对频率TrVaPerformancePro fi table运行了5个Pro fi table个体50次运行>BH 50个个体>BH 50平均日收益率1.08×10-34.48 × 10-4（168%）（528%）交易活动24111040（32.72%）（79.87%）赢的交易56.90%49.56%（15.10%）（40.19%）多头交易62.69%77.26%（7.74%）（13.90%）最大赢家74.46%90.77%最大多头74.03%89.71%表5：培训集、Tr和TRVA战略SAPR 2013Jun 2013Aug 2013Oct 2013Dec 2013Feb 20140.901.001.101.20相对EoD NAVUSD。JPYBTOP FXAvg RunBest RunBest IndividualWinners图5：样本集外的日终NAV、TrVa标准策略周转天数>0ρ基准USD。日元1.11 50.61%1.00BTOP FX 0.95 45.83%0.01RunsRun 1.07 50.40%0.17 Run 2 1.02 51.61%0.57 Run 3 0.97 54.44%0.13 Run 4 0.96 51.21%-0.25 Run 5 1.06 55.65%-0.10 Best Agent 1.19 48.79%0.90 Winners 1.10 52.42%0.99Avg Run 1.02 51.82%0.98表6：样本集外的每日收益统计，策略周转天数>0ρ美元基准。日元1.11 50.61%1.00BTOP FX 0.95 45.83%0.01RunsRun 1.01 52.02%0.93Run 2 1.05 50.81%0.98Run 3 1.05 50.40%0.98Run 4 1.04 50.40%0.97Run 5 1.04 52.82%0.95最佳代理1.12 48.79%0.90赢家1.11 51.82%0.98Avg Run 1.05 52.42%0.99表7：样本集外的每日收益统计，TrVastrategiesRun 1 Run 2 Run 2 Run 3 Run 3 Run 3 Run 3 Run 3相对运行频率405020300美元。日元澳元。美元欧元。美元英镑。USD图6：Tr策略的树、货币的相对频率以及根据Tr标准选择的树的可变节点的条形值（打开、高、低、关闭）。图8和图9显示了TrVa标准中的策略。5.讨论在本节中，我们将首先分析培训和样本外数据集的策略绩效。

然后，我们将对Tr和TrVacriteria所选策略的两个数据集的共同方面进行描述，重点关注样本集外的情况。接下来，我们将研究两个标准下的策略结构和变量选择的差异。最后，我们将与之前类似的调查结果进行比较。5.1培训数据集在培训数据集上的表现绝大多数是积极的，两个选择标准的所有策略都实现了可操作性，并超过了两个基准：美元回报率为5%。日元和1%的BTOP外汇。不出所料，表现最好的经纪人来自纯培训标准，最终获得32%的回报。而Tr策略的平均回报率为26%，TrVaones为16%。Tr TrVaPerformancePro Fitable Runs 3 5 Pro Fitable Individuals 26 42 Runs>BH 0 Individuals>BH 4 1Avg Daily Return 7.67×10-51.89 × 10-4（2538%）（2128%）交易活动3247 1460（29.57%）（96.56%）赢的交易56.97%48.95%（21.33%）（38.43%）多头交易57.49%76.64%（17.70%）（17.23%）最大赢家83.45%86.70%最大多头75.13%90.99%表8：样本集外的交易活动统计，Trand TrVa Strategies TrVa Tree Length 34.06 31.68（2.96）（3.97）Symbols Count 8.25 7.12（1.5）（0.8）表9：treelength和variable Symbols Count的平均值和标准偏差值，Tr和TrVa Strategies对每日收益序列进行划分，均为美元。日元和BTOPFX基准表现出非常接近随机行走的行为，分别为51.20%和51.50%。

相反，尤其是从Tr演变而来的策略显示出稳定的日常盈利潜力，单个策略的最大盈利能力为66.20%（p=1.31×10）-6在零假设下，日收益率序列遵循50/50正/负分布）；对于TrVa，该值较低，为56.81%（p=0.027），但在无效假设下仍然非常不可能。对于Tr和TRVAI来说，一个非常有趣的方面是，最好的每日支持率不是由单个策略给出的，而是由总体给出的：Tr的全球平均值为75.12%，RVA的运行1策略的平均值为60.09%；在这两个标准下，5次跑步中表现最好的选手的平均成绩也超过了最佳单一策略。这表明，进化的策略在某种程度上呈现出互补的交易逻辑。如果要将日常损失降至最低，则可以结合适当的策略，形成交易组合的基础。考虑到交易活动，Tr策略平均比TrVa策略活跃2.3倍，但两者都有高、活跃的交易收益：2411笔Tr总交易，conRun 1次运行2次运行3次运行4次运行50102034050相对频率（%）开盘高低点收盘图7：Tr策略树，OHLC值的相对频率运行1次运行2次运行3次运行4次运行50102034050相对频率（%）美元。日元澳元。美元欧元。美元英镑。USD图8：TrVa策略树，货币的相对频率，训练周期为213天，每天11.3个交易，1040个交易，或每天4.8个交易，用于TrVa策略。通过分析交易准确度、可交易比例，我们发现Tr值达到56.90%，TRVA值仅为49.56%。