Enfoque para crear estrategias genéticas

Hola,

Me gustaría saber cuál es la mejor manera de crear estrategias genéticas. Me interesaría saber si los usuarios experimentados y con éxito están de acuerdo con mi punto de vista o, de lo contrario, cómo puedo mejorar mi enfoque.

Mi objetivo final es crear estrategias sobre diferentes pares de divisas que (i) superen las pruebas de clasificación y (ii) superen las pruebas de solidez y (iii) combinen esas diferentes estrategias en un enfoque de cartera.

Entiendo que primero necesitamos una población inicial, que puedes crear y cargar en la pestaña de población inicial. A partir de ahí, ejecuta el algoritmo de evolución genética y espera a que se produzca el frenesí reproductor. La población inicial tiene que ser una población fuerte, ¿estás de acuerdo? Tan fuerte como sea posible para que los descendientes que nazcan en la pestaña de resultados sean buenos especímenes. Entonces, ¿cómo conseguimos una población inicial fuerte?

Enfoque 1 - Identifique una serie de opciones de clasificación básicas que deberían aplicarse a cada espécimen (por ejemplo, beneficio neto>0; SQN>4; Estabilidad>0,6) y, a continuación, añada un requisito de clasificación adicional (ganancias/pérdidas; DD; Profit mensual, etc.) para cada conjunto de 500. Una vez creados los 500, tome la clasificación 10% más alta de cada conjunto y añádala a la población. Una vez creados los 500, tome la mejor clasificación 10% de cada conjunto y añádala a la población. Una vez que tenga una población inicial de 500 o 1000, utilícela como población inicial y tome los mejores 10% cada 1.000 ejemplares. Afine hacia abajo. Los números son aproximados y es la metodología en la que estoy interesado.

¿Es una forma engorrosa de hacerlo o hay alguna manera de obtener el 10% automáticamente?

Además, ¿deberíamos aplicar pruebas de robustez para la población inicial? ¿Esto hará más probable que los resultados finales también superen las pruebas de robustez?

Soy consciente de que probablemente no haya una forma "correcta" de abordarlo y de que hay que probar y equivocarse, pero me encantaría saber cómo lo abordan otras personas.

Gracias,

Matthew

hola no soy un experto..... pero he sido trader por mas de 25 años position trader W.D.GANN , ELLIOT y he usado filtros digitales para limpiar los datos como una aproximación.... si el trader supiera definitivamente cuales son los parámetros a considerar para tener una estrategia ganadora en el tiempo... seria el santo gral.... pero he visto que P/F rett/DD estabilidad... etc. etc. no son suficientes para estar casi seguro... entonces filtrando demasiado la población inicial se corre el riesgo de tener tantas estrategias idénticas
porque GA trabaja en las bajas y 'una vez que encuentra una buena población sigue adelante' que hacer tantas estrategias casi iguales... mi opinión es no filtrar demasiado la población inicial, sino utilizar un gran número de población.... Repito es mi observación
gracias Gianfranco

no estoy utilizando población inicial en absoluto, ni ningún filtro para la población inicial

Empiezo mi construcción genética con la población inicial al azar sin ningún tipo de filtrado ... creo que la genética en sí está aquí para mí para hacer este trabajo

Gracias, es realmente útil.

Sólo una cosa más sobre la que no estoy seguro, cuando se utiliza el enfoque genético ... ¿Está poniendo algo en la pestaña de población inicial en absoluto, o simplemente está ejecutando el algoritmo y haciendo que el programa rellene la pestaña de resultados directamente?

Salud,

Matthew

Cuando activas "Usar estrategias del banco de datos de población inicial..." y no cargas ninguna estrategia, SQX las generará aleatoriamente por lo que no tiene sentido tener esto activado mientras no precargues ninguna estrategia.

Gracias, Tomas, es muy útil.

Estoy casi completa con 5.000 estrategias aleatorias para empezar, filtrados con algunos critera básica, entonces los pondrá a prueba para la moneda cruzada robustez y utilizar los de la población inicial para más opciones genéticas. ¡Debería ser interesante!