CN102422279B - 用于资产管理和交易的基于类的分布式进化算法 - Google Patents

用于资产管理和交易的基于类的分布式进化算法 Download PDF

Info

Publication number
CN102422279B
CN102422279B CN201080018800.6A CN201080018800A CN102422279B CN 102422279 B CN102422279 B CN 102422279B CN 201080018800 A CN201080018800 A CN 201080018800A CN 102422279 B CN102422279 B CN 102422279B
Authority
CN
China
Prior art keywords
gene
computer
server
client
fitness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201080018800.6A
Other languages
English (en)
Other versions
CN102422279A (zh
Inventor
B·霍德雅特
H·沙尔扎德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ideal Technology (barbados) Ltd
Original Assignee
Ideal Technology (barbados) Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ideal Technology (barbados) Ltd filed Critical Ideal Technology (barbados) Ltd
Priority to CN201410529310.2A priority Critical patent/CN104317771B/zh
Publication of CN102422279A publication Critical patent/CN102422279A/zh
Application granted granted Critical
Publication of CN102422279B publication Critical patent/CN102422279B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G06F15/163—Interprocessor communication
    • G06F15/173—Interprocessor communication using an interconnection network, e.g. matrix, shuffle, pyramid, star, snowflake
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Debugging And Monitoring (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

服务器计算机和多个客户端计算机形成网络计算系统，该网络计算系统是可扩展的，并且适于使用运行在客户端计算机上的软件应用来持续评估生成的多个基因的性能特性。每个客户端计算机持续周期性地接收与其存储器中存储的基因相关联的数据。使用此数据，客户端计算机通过将由基因提供的解与周期性接收的与该基因相关联的数据进行比较来评估该基因的性能特性。由此，每个基因的性能特性利用每个周期性接收的数据而被更新和改变。基因的性能特性定义其适应度。基因可以是推荐交易选项的虚拟资产交易者。基因可以被初始地指派为不同类以改进收敛性，但是随后可以决定将其与其他类基因合并，从而改进多样性。

Description

用于资产管理和交易的基于类的分布式进化算法
相关申请交叉引用
本申请基于35USC 119(e)要求2009年4月28日提交的名称为“DistributedEvolutionary Algorithm for Stock Trading”的美国临时申请号61/173581以及2009年4月28日提交的名称为“Distributed Evolutionary Algorithm for Stock Trading”的美国临时申请号61/173582的权益，在此通过引用将两者的内容全文并入。
背景技术
复杂的金融趋势和模式分析处理通常利用超级计算机、大型机或功能强大的工作站和PC完成，它们通常位于公司的防火墙内，并且由该公司的信息技术(IT)组拥有和操作。在这种硬件和运行该硬件的软件方面的投资是巨大的。维护(修复、调整、打补丁)和操作(电气，安全数据中心)这种基础架构的成本同样巨大。
股票价格的波动通常是不可预测的，但是偶尔呈现出可预测模式。基因算法(GA)被公知为已经在股票分类中使用。根据一种理论，在任何给定时间，5％的股票遵循一种趋势。基因算法因此有时被使用来将股票分类为遵循或不遵循趋势，并且取得一些成功。
作为基因算法的超集的进化算法在穿越混沌搜索空间时是良好的。如同Koza，J.R1992年在MIT会议上发表的“Genetic Programming：On the Programming of Computersby Means of Natural Selection”中已经示出，进化算法可以被使用来在断言注释时进化完整的程序。进化算法的基本元素是环境、基因模型、适应性函数(fitness function)以及复制函数。环境可以是任何问题陈述的模型。基因可以由用于管理在所述环境内管理其行为的规则集定义。规则是要在所述环境中执行的动作所遵循的条件列表。适应性函数可以利用进化规则集正在与所述环境进行协商的成功程度定义。适应性函数由此用于评估每个基因在所述环境中的适应度(fitness)。复制函数通过将规则与所述父基因中的最适应的父基因混合来生成新基因。在每代中，创建新的群体(population)。
在所述进化过程的开始，通过将形成基因的构件块或字母放置在一起，完全随机地创建组成所述初始群集的基因。在基因编程时，所述字母是一组条件和动作，该一组条件和动作组成在所述环境内管理所述基因的行为的规则。一旦建立起群集，就使用所述适应性函数来对该群集进行评估。具有最高适应度的基因随后被使用来在被称作复制的过程中创建下代。通过复制，父基因的规则被混合，并且有时被变异(即，在规则中进行随机变化)来创建新的规则集。该新的规则集随后被分配给将作为所述新代的成员的子基因。在一些具体实现中，上代中的最适应成员(称为精英)也被复制到下代。
发明内容
根据本发明的一个实施例，一种联网计算机系统，包括一个或多个服务器计算机以及多个客户端计算机，多个客户端计算机中的每个被指派为不同的类，其中每个类由指示符的子集定义。每个客户端计算机部分包括存储器、通信端口和处理器。每个客户端服务器中的存储器可被操作来存储多个基因，每个基因由一组条件以及与客户端计算机被指派的类相关联的指示符的子集来表征。每个客户端计算机中的通信端口持续周期性地接收与存储在存储器中的基因相关联的数据。每个客户端计算机中的处理器通过将该客户端计算机的每个基因所提供的解与周期性接收的和该基因相关联的数据进行比较来评估该基因的性能特性。由此，每个基因的性能特性利用每个周期性接收的数据而被更新和改变。基因的性能特性定义其适应度。
在一个实施例中，与每个基因相关联的数据是历史交易数据，并且每个基因所提供的解是由该基因推荐的交易。在一个实施例中，指示符的子集中的至少两个是重叠的指示符。在一个实施例中，丢弃其适应度在覆盖第一时间段的评估之后被确定为小于第一预定阈值的基因。在周期性地接收到新数据时，剩余(存留的)基因继续由它们的客户端计算机评估。
在一个实施例中，在第一评估时间段中存留的基因响应于来自服务器计算机的指令而继续由客户端计算机在一个或多个附加时间段内进行评估。在每个附加时间段期间，丢弃适应度小于阈值的基因。当服务器请求时，在一个或多个评估时间段中存留的基因被存储在精英基因池中，以供服务器选择。与多个时间段对应的用于评估基因的适应度的阈值可以相等或者可以不相等。
在一个实施例中，服务器计算机从客户端计算机的精英池中选择基因，并且它们存储在其存储器中。服务器可以将它从任何类的客户端计算机接收的基因传送回具有相同类的客户端计算机，以用于覆盖附加时间段的进一步评估。这种客户端计算机在附加时间段内持续对基因进行进一步评估，并且尝试将存留的基因传送回服务器。被客户端计算机丢弃的基因被报告给服务器。在一个实施例中，服务器仅仅接收适应度被客户端计算机确定为等于或大于服务器先前存储的该基因的适应度的基因。
在一个实施例中，被客户端计算机初始评估的基因根据客户端计算机存储并执行的计算机指令而生成。在一个实施例中，服务器在任何给定时间将固定数目的基因存储在其存储器中。在从客户端计算机接受新基因后，服务器将所接受的基因的适应度值与服务器先前已经存储在服务器中的该基因的对应适应度值结合。
根据本发明的一个实施例，一种求解计算问题的方法，部分包括：存储多个基因，每个基因由多个条件、指示符的子集以及基因类来表征；持续周期性地接收与多个基因相关联的数据；以及通过将每个基因所提供的解与周期性接收的与该基因相关联的数据进行比较，评估该基因的性能特性。由此，每个基因的性能特性利用每个周期性接收的数据而被更新和改变。基因的性能特性定义其适应度。
在一个实施例中，与每个基因相关联的数据是历史交易数据，并且每个基因所提供的解是由该基因推荐的交易。在一个实施例中，指示符的子集中的至少两个是重叠指示符。在一个实施例中，丢弃其适应度在第一时间段的评估之后被确定为小于第一预定阈值的基因。在周期性地接收到新数据时，剩余(存留)基因继续由其客户端计算机进行评估。
在一个实施例中，在第一评估时间段中存留的基因响应于指令而继续在一个或多个附加时间段内被评估。在每个附加时间段期间，丢弃适应度小于阈值的基因。在一个或多个评估时间段内存留的基因被存储在精英基因池中以供选择。与多个时间段对应的用于评估基因的适应度的阈值可以相等或者可以不相等。
在一个实施例中，服务器计算机从客户端计算机的精英池中选择基因，并且将它们存储在其存储器中。服务器可以将它从任何类的客户端计算机接收的基因传送回具有相同类的客户端计算机，以进行覆盖附加时间段的进一步评估。这种客户端计算机在附加时间段内持续对基因进行进一步评估，并且尝试将存留的基因传送回服务器。被客户端计算机丢弃的基因被报告给服务器。在一个实施例中，服务器仅仅接收适应度被客户端计算机确定为等于或大于服务器先前存储的基因的适应度的基因。
在一个实施例中，被客户端计算机初始评估的基因根据客户端计算机中存储并执行的计算机指令而生成。在一个实施例中，在任何给定时间，服务器将固定数目的基因存储在其存储器中。在从客户端计算机接受新基因后，服务器将所接受的基因的适应度值与服务器先前已经存储在服务器中的该基因的对应适应度值进行结合。
在一个实施例中，丢弃其适应度在覆盖跨P天的第一时间段的评估之后被确定为小于第一预定阈值的基因。在周期性地接收到新数据时，继续评估在评估中存留的剩余基因。
在一个实施例中，在第一评估时间段中存留的基因响应于指令而继续在一个或多个附加时间段内被评估。在每个附加时间段期间，丢弃适应度小于阈值的基因。在一个或多个评估时间段内存留的基因被存储在精英基因池中，以供可能的选择。服务器计算机将所选择的基因存储在存储器中。与多个时间段对应的用于评估基因的适应度的阈值可以相等或者可以不相等。
在一个实施例中，由服务器计算机存储的所选择的基因可以被仅仅传送回给先前评估这些基因并且因此所具有的类与它们所接收的基因相同的客户端计算机，以供进行覆盖附加时间段的进一步评估。在该进一步评估中存留的基因被提供来用于选择。在该进一步评估中没有存留的基因被丢弃，但是在报告中指出。在一个实施例中，仅仅选择适应度被确定为等于或大于先前存储的基因的适应度的基因来进行存储。在另一实施例中，由服务器计算机存储的所选择的基因可以被传送回先前没有评估这些基因的客户端计算机，以进行进一步评估，只要该客户端的类别与基因类别相同。
在一个实施例中，基因根据客户端计算机存储并执行的计算机指令而被生成。在一个实施例中，在任何给定时间，服务器计算机存储固定数目的所选择的基因。在一个实施例中，如果服务器计算机的新近选择的基因先前被服务器计算机选择和存储，则将该新近选择的基因的适应度值与该基因的对应适应度值结合。
附图说明
图1是根据本发明的一个实施例的被配置为执行进化算法的网络计算系统的示例高级方框图。
图2示出了根据本发明的一个示例实施例的图1中的客户端计算机系统和服务器计算机系统的多个功能逻辑块。
图3示出了针对给定池的作为评估时间的函数的示例收敛因子；
图4示出了根据本发明的一个示例实施例的具有服务器和多个客户端的网络计算机系统，该多个客户端形成多个不同的类；
图5A示出了根据本发明的一个实施例的一个或多个客户端计算机评估多个基因的性能特性的示例流程图。
图5B示出了根据本发明的一个实施例的一个或多个服务器计算机评估多个基因的性能特性的示例流程图。
图6示出了图1中的客户端计算机和服务器计算机的多个组件。
具体实施方式
根据本发明的一个实施例，服务器计算机和多个客户端计算机形成网络计算系统，该网络计算系统是可扩展的，并且适于使用运行在客户端计算机上的软件应用来持续评估生成的多个基因的性能特性。每个客户端计算机被指派为多个类之一。每个类由该类的客户端成员用以创建新基因的指示符的子集表示并且与之相关联。在一些实施例中，两个或更多类被合并来生产新的基因类，该新的基因类至少由合并的类的指示符子集的并集表示。由此，在一些实施例中，新类由合并类的指示符子集的并集表示。在其他实施例中，新类由合并类的指示符子集以及与合并类的指示符子集不同的指示符的新子集的并集表示。在又一实施例中，两个类的合并还导致增加由可以随机生成的指示符的不同子集表示的新类。在下面的描述中，服务器计算机被理解为指代任何具有一个或多个CPU或GPU的数据处理设备，该数据处理设备协调、管理、收集来自一个或多个客户端计算机的数据，控制或指导该一个或多个客户端计算机的动作。例如，在所具有的CPU包含4个处理内核的设备中，一个处理内核可以被指派为服务器，而剩余的三个处理内核可以被指派作为客户端计算机。备选地，例如，客户端计算机可以是个人计算/通信设备，该个人计算/通信设备被指定为服务器计算机的另一计算设备管理，以及利用从该另一计算设备接收的指令控制。在一个实施例中，基因是推荐交易选项的虚拟资产交易者(asset trader)。
在下面的描述中，应当理解，(i)系统指的是硬件系统、软件系统或结合的硬件/软件系统；(ii)网络计算系统指的是多个移动或固定计算机系统，该多个移动或固定计算机系统彼此无线通信地或使用有线线路进行通信；网络计算系统部分包括多个计算机，多个计算机中的至少一个是中央或分布式服务器计算机，以及剩余的计算机是客户端计算机，每个服务器计算机或客户端计算机包括至少一个CPU和存储器。
图1是根据本发明的一个实施例的网络计算系统100的示例高级方框图。网络计算系统100被示出为部分包括N个客户端计算机20以及一个服务器计算机10。应当理解，服务器10可以是集中式服务器或分布式服务器。客户端计算机可以是膝上型计算机、台式计算机、蜂窝/VoIP手持通信/计算设备、平板计算机等。
宽带连接将客户端计算机(在本文中或者称为客户端)20连接到服务器计算机(在本文中或者称为服务器)10。这种连接可以是电缆、DSL、WiFi、3G无线、4G无线或者任何其他现有的或将来的被开发来将CPU连接到因特网的有线或无线标准。可以使用任何CPU，只要根据本发明并且在下面进一步描述的客户端软件能够在该CPU上运行。
在一个实施例中，网络计算系统100实现金融算法/分析，并且计算交易策略。为此，与上述算法/分析相关联的计算任务被分为多个子任务，多个子任务中的每个被指派和委派给一个不同的客户端。客户端所实现的计算结果此后被服务器10收集和结合，以得到目前正处理的任务的解。每个客户端所接收的子任务可以包括相关算法或计算代码、由该算法实现的数据、以及要通过使用相关算法和数据解决的一个或多个难题/问题。相应地，在一些示例中，服务器10接收并结合布置在客户端中的CPU所提供的部分解，以生成针对所请求的计算问题的解。当网络计算系统10正在处理的计算任务包括金融算法时，通过综合客户端提供的部分解而实现的最终结果可以包括关于一个或多个资产的交易的建议。在其他示例中，客户端所执行的任务彼此独立。相应地，在这些实施例中，虽然客户端所实现的结果没有彼此结合，但是服务器利用池来结合它从客户端接收到的结果以提出解。尽管参照使用基因来针对金融资产(例如，股票、指数、货币等)提出建议提供下面的描述，但是应当理解，本发明的实施例同样适用于发现任何其他计算问题的解，如下进一步的描述。
进化算法的定标(scaling)可以在二个维度进行，即利用池尺寸和/或评估。在进化算法中，池或基因群集越大，基因的多样性越大。因此，发现较为适应的基因的可能性随着池尺寸的增加而增加。为此，基因池可以分布在多个客户端上。每个客户端评估其基因池，并且将最适应的基因传送到服务器，如下进一步。
根据本发明的与网络相连的每个客户端接收或下载客户端软件。客户端软件自动生成多个基因，基因的数目可以根据存储器尺寸和客户端的CPU处理能力改变。例如，在一个实施例中，客户端可以具有1000个用于评估的基因。
基因被假设为是虚拟交易者，该虚拟交易者被给予假定钱数来使用历史数据进行交易。这些交易根据规则集执行，该规则集定义基因并由此提示该基因买入、卖出、保持其位置或退出其位置。规则是其后跟随动作的条件列表，该动作可以是例如买入、卖出、退出或保持。规则还可以被设计为包含盈利目标以及止损目标，由此使得退出动作变为多余。当没有触发基因中的规则时发生保持动作，因此，基因有效地保持其当前位置。条件是基于指示符的条件的连接列表(conjunction list)。指示符是可以被馈送到比如最低价格变动(tick)或接近价格的条件的系统输入。指示符还可以自省来指示基因在任何给定时候的适应度或其他属性。
根据本发明的一个示例实施例，下面的代码在条件、指示符以及基因所采取的动作方面定义该基因：
if(PositionProfit＞＝2％and！(tick＝(-54/10000)％prev tick and MACD isnegative)and！(tick＝(-119/10000)％prev tick and Position is long))and！(ADX x100＜＝5052))
then SELL
其中，“and”表示逻辑“与”操作，“！”表示逻辑“非”操作，“tick”、“MACD”和“ADX”是股票指示符，“SELL”表示卖出动作，以及“PositionProfit”表示基因的曲线位置。
基因在股票交易日被评估。股票交易日是针对特定股票的历史数据的日价值。在给定股票交易日的特定间隔，例如，每5分钟，通过将指示符的当前值指派到每个规则的条件中，评估基因的规则。如果针对指示符值，基因的条件都不为真，则该基因保持其先前位置。如果该基因没有位置，则它不执行动作。基因可以被设计为采取其满足条件的第一规则的动作。如果例如该规则的动作是卖出，则所采取的由该基因提议的交易是卖出。在另一示例中，引发退出动作的规则可以击败所有其他表决(vote)，并且迫使退出该基因的当前位置。
根据本发明的一个实施例，基因的适应度或成功是通过近似以及使用大量数据而被确定的。用于评估基因的模型因此可以是部分的并且覆盖较短的时间跨度，同时提高针对更多的股票交易日评估基因时的准确性以及盈利体验。为了建立基因的适应度的初始近似，如下进一步，首先针对可用数据的子集来评估基因的适应度。已经进行的基因适应度评估所针对的时间段在本文中被称为基因的成熟年龄，在本文中也被称为基因的年龄。达到预定年龄的基因能够复制下代基因并对下代基因做出贡献。每个这种基因可以继续存活并待在基因池中，只要其累积适应度满足预定条件。
用于评估基因的适应度的历史数据非常大。因此，即使采用当今的高处理能力及大存储容量计算机，在单个机器上在合理的时间内实现优异结果通常是不可行的。大的基因池还要求大存储器以及高处理能力。根据本发明的一个实施例，定标被使用来在合适的时间段内实现高质量的评估结果。定标操作在两个维度内执行，即，在池尺寸内以及在对相同基因的评估内，以生成更多种类的基因池，从而增加发现更适应的基因的可能性。因此，根据本发明的一个实施例，在多个用于评估的客户端上分发基因池。每个客户端继续使用该客户端持续周期性接收的历史数据来评估其基因池。换言之，继续针对客户端周期性且持续接收的附加历史数据来评估基因的性能(在本文中也称为基因的适应度)。满足一个或多个预定条件的基因被传送到服务器。
根据本发明的另一实施例，基因分发还被用来增加针对相同基因进行的评估的速度。为此，服务器接收到的但还没达到特定成熟年龄或还未满足一个或多个预定条件的基因，可以被从服务器传送回多个客户端以供进一步评估。客户端针对基因实现的评估结果(或者在本文中称为部分评估)被传送回服务器。服务器将基因的部分评估结果与在将基因传送到客户端时的该基因的适应度值合并，以得到该基因的适应度测量值。例如，假设基因的年龄是500个评估日，并且该基因被从服务器传送到例如两个客户端，每个客户端被指示在附加的100天内评估该基因。相应地，每个客户端还在该附加的100个股票交易日内评估该基因，并且将其评估结果报告给服务器。这两个结果与基因在被传送到两个客户端时的该基因的适应度测量值结合。结合后的结果表示针对700天评估的该基因的适应度。换言之，根据这个示例，分布式系统针对每个客户端仅仅使用100个不同的评估日，将基因的成熟年龄从500天增加到700天。根据本发明，分布式系统因此在评估其基因时是可高度扩展的。
有利地，根据本发明，客户端能够在它们的本地复制时使用在服务器中存储的基因，从而提高了它们的基因的质量。每个客户端是独立的进化设备，不仅评估其池中的基因，而且创建新代基因并且在本地推进进化过程。由于客户端利用它们自有的本地进化过程来推进，因此它们的处理能力不会浪费，即使它们不是与服务器持续通信。一旦重新建立与服务器间的通信，客户端可以将它们的最适应基因传送到服务器，并且从服务器接收基因来进行进一步评估。
每个客户端计算机具有用于访问一个或多个数据馈送服务器(通常使用参考标记30示出)的通信端口，以获得解决目前正处理的问题所需要的信息。当推荐比如股票、商品、货币等的资产的交易策略时，数据馈送服务器所提供的信息包括覆盖指定时间段的资产值。或者，尽管没有示出，解决目前正处理的问题所需要的信息可以经由服务器10，从数据馈送服务器30提供给客户端20。尽管服务器10在图1中被示出为单个中央服务器，但是应当理解，服务器10可以是分布式服务器。
图2示出了每个客户端20和服务器10的多个逻辑块。如图所示，每个客户端20被示出为包括由在该客户端上运行的独立应用软件生成的基因池24。下面，每个基因被假设为是金融资产(例如，股票)的交易者，但是应当理解，基因通常适合于发现任何其他计算问题的解。使用评估块22，在跨P个交易日(例如，600天)的第一预定时间段内评估客户端的每个基因的性能特性。通过比较每个基因的交易建议并且确定在预定时间段内该基因的对应返回率，执行针对该基因的评估。基因的性能特性在本文中也称为基因的适应度。客户端20接收历史交易数据，以确定其基因的适应度。
一旦完成对其所有基因的性能评估，每个客户端计算机选择并将其性能最好的基因(存留基因)放入精英池26中。在一个实施例中，存留基因可以是利用它们的建议的返回率确定的基因池中的性能排名前5％的基因。在其他实施例中，存留基因是适应度超过预定阈值的基因。无法满足针对适应度的所要求的条件的剩余基因不会存留，并且被丢弃。每个客户端继续使用该客户端继续周期性接收的历史交易数据来评估其精英(存留)基因。
在一些实施例中，当在最初P个交易日内对基因进行初始评估之后，还在多个(S个)附加时间段内对存留基因进行评估，每个附加时间段的跨度为Q个其他交易日。例如，在最初600个交易日期间的对基因的初始评估之后，在两个附加时间段内对每个存留基因进一步进行评估，每个附加时间段的跨度为600个更多的交易日。因此，在这些示例中，在1800个交易日内评估每个基因。这些多个时间段可以是非重叠的连续时间段。此外，每个附加时间段的交易日的数目，即，Q，可以等于或者可以不等于初始评估时间段的交易日的数目，即，P。每个这种附加时间段中的评估可能导致丢失在先前评估中已经存留的基因。例如，如果已经在例如600天的初始评估时间段中存留的基因在跨度例如1200天的交易日期间的适应度小于预定阈值水平，则它可能不会在例如600天的第二时间段期间执行的评估中存留。丢弃在精英池26中存储的无法在这些附加评估时间段中存留的基因。被要求通过初始评估时间段的适应度阈值水平可以与被要求来通过后续评估的适应度阈值水平相同或者可以不相同。
在初始评估时间段和后续评估时间段的适应度条件下存留的基因被保持存储在精英池26中，并且可供基因选择块28用于可能的选择以及被传送到服务器10。服务器10从客户端计算机接收的基因被存储在服务器10的服务器基因池14中。基因选择块28将在基因的相关联的精英池26中的基因的适应度与池14中的性能最差的基因的适应度进行比较。在一个实施例中，服务器10仅仅接受由客户端计算机确定的适应度至少等于或好于基因池14中存储的该基因的适应度的基因。服务器10因此向客户端计算机告知其性能最差的基因的适应度，以使得基因选择模块28能够进行该比较并且识别出服务器10将接受的基因。例如，服务器10可以向基因选择模块28传送查询，该查询指示“我的最差基因的适应度是X，你有性能更好的基因吗？”。基因选择模块28可以通过讲述“我具有10个这种更好的基因”进行应答，并且尝试将这些基因传送给服务器。在一个实施例中，基因池14具有固定尺寸。因此，为了接受新基因，服务器10丢弃在其池14中存储的基因中的一个基因。在一个实施例中，池14的初始群集根据在客户端的汇聚式(collective)精英池中初始存储的所有基因中的最适应的基因形成。继续这个过程，直到池14达到其满容量，该满容量可以动态改变。在另一实施例中，为了形成其初始群体，池14继续接受在精英池中存储的基因，直到池14达到其满容量。
基因接受块12被配置为在从客户端到达的基因被添加到服务器池358之前，确保该基因所具有的适应度比已经存储在服务器池14中存储的基因更好。在每个所接受的基因被添加到服务器池14之前，基因接受块12利用标识符对该基因加戳记并且执行多个空间清理操作。
精英池26中的基因被允许复制。为此，基因复制块30随机选择并结合两个或更多基因，即，通过混合用于创建父基因的规则。随后利用新近创建的基因(子基因)以及位于精英池中的基因重新填充池24。旧的基因池被丢弃。继续如上对池24中的新的群体进行评估。
在一些实施例中，服务器10将池24中所存储的每个成熟年龄(即，已经进行的基因适应度的评估所针对的交易日的总和)小于预定值的基因传送回一组所选择的客户端计算机，以在跨度为W个交易日的附加时间段内进行进一步的适应度评估。在附加时间段内评估出的适应度无法满足一个或多个预定条件(即，它们的适应度小于所要求的阈值)的基因被客户端计算机丢弃。在附加时间段内评估出的适应度满足一个或多个预定条件的基因被传送回服务器10，以供存储在池14中。客户端计算机将所丢弃的基因报告给服务器。
在一些实施例中，为了增加在池14中存储的基因的年龄，服务器10将该基因传送给多个客户端计算机，每个客户端计算机被指示在不同的交易日集内对基因执行进一步评估。例如，假设4个客户端计算机被选择对在池14中存储的基因的适应度进行进一步评估。由此，第一个被选择的客户端计算机被指示来在第一时间段内对该基因进行评估；第二个被选择的客户端计算机被指示来在第二时间段内对该基因进行评估；第三个被选择的客户端计算机被指示来在第三时间段内对该基因进行评估；以及第四个被选择的客户端计算机被指示来在第四时间段内对该基因进行评估。应当理解，第一时间段、第二时间段、第三时间段和第四时间段可以是彼此重叠或者彼此不重叠的不同时间段。然后，服务器从选择的客户端计算机接收适应度值，并且将这些适应度与该基因的先前适应度结合(如同在将该基因传送回客户端之前由服务器维护的)，以得到该基因的适应度值的更新值。因此，根据本发明，通过在并行操作的多个客户端计算机之间分发评估任务，提高了基因的老化速度。在一个实施例中，先前适应度值和新适应度值的平均值被用于计算被服务器传送到客户端来进行进一步评估的基因的新适应度值。由于服务器中的基因被传送到若干客户端来进行评估，因此如果一个或多个客户端出现故障，则仅仅基因的部分评估结果丢失。
可以执行服务器池基因的备份/恢复过程，以确保在服务器出现故障的情况下的连续性。此外，因为客户端被配置为具有被指示来进行评估的服务器基因的副本，并且因为客户端在它们的进化过程中是自给自足的，所以即使当服务器出现故障或者以其他方式掉线时，客户端可以继续对它们的基因进行评估，并且推进进化过程。当服务器恢复在线时，甚至可以根据在客户端中存储的基因重新创建服务器池。因此，根据本发明的实施例，网络计算系统不会丢失对基因的先前处理的历史记录。
数据馈送服务器50提供更广范围的已交易资本(例如，股票、债券、商品、货币等)以及它们的衍生物(比如，期权、期货等)的历史金融数据。数据馈送服务器50可以与服务器20或者客户端直接进行交互。数据馈送服务器还可以提供对多个技术分析工具的访问，比如金融指示符MACD、Bollinger Band、ADX、RSI等。
随着时间推移，服务器池中的基因可以开始进行类似的行为，并且以相关的方式使用相同的指示符集来得到它们的建议。这指示对更适应的基因的搜索正在最初用于定义基因的一组可识别条件和指示符上收敛。在收敛发生时，可以被识别的任何给定池中的更适应的基因的比率开始减少。换言之，随着基因老化，它们的适应度增加，由此导致基因的更高的收敛因子。收敛可以达到一个这样的点，在该点处尽管继续评估基因但是存留基因池保持相对不变。因此，识别更适应基因的收敛可以有利地实现基因池的多样性。在对更适应的基因的继续搜索中，收敛由此可以表示局部最佳点，而不是最佳点。
图3示出了针对给定池的作为评估时间的函数的示例收敛因子。可以看出，随着评估时间增加，收敛率渐进地接近恒定值Q。多种不同的技术可以用于测量基因池的收敛性和均匀性。下面的表达式(1)提供了基因池的收敛因子的一种测量。
其中，平均适应度的加权和＝平均适应度的加权和+平均适应度×年龄。
根据本发明的一些实施例，服务器将基因池划分为数目为Z的不同类。相应地，服务器将客户端计算机划分为Z组，每组与不同的基因类相关联。例如，组1中的客户端与基因类1相关联，组2中的客户端与基因类2相关联；组Z中的客户端与基因类Z相关联。不同的组可以具有或不具有相同数目的客户端。服务器维护每个基因和客户端所属类的记录。每个类中的基因部分地由指示符的不同子集来表征，该指示符与多个条件一起定义了基因池。每个类因此能够对部分解做出贡献，或者在由与该类相关联的指示符所定义的搜索空间中提出建议。
在一些实施例中，服务器仅仅在作为相同类的成员的客户端之间重新分发用于进一步评估的基因。因此，利用公共的服务器池，同时运行多类客户端。例如，假设服务器已经将客户端计算机划分为三组(类)，每组被指派为三个基因类中的一个不同类。第一类中的基因能够使用例如最低价格变动(tick-price)、交易量和股票的发散性作为指示符。第二类中的基因能够使用例如最低价格变动、MACD和ADX信息作为指示符。第三类中的基因能够使用例如最低价格变动、交易量和股票价格的变化率作为指示符。根据这个实施例，每个类独立操作，并且将其精英池传送到服务器，如上所述。为了进一步评估基因，服务器将每类的基因仅仅传送到该类的客户端成员。例如，被类1的客户端成员识别的类1的精英基因可以仅仅被服务器传送给类1的客户端成员来进行进一步评估。因此，在这些实施例中，属于不同类的基因不能合并。
图4示出了根据本发明的一个示例实施例的网络计算机系统300，其具有服务器310和形成Z个不同类的多个客户端320ij。索引i标识每个类中的客户端编号，并且被示出为从1变到N；索引j标识类编号，并且被示出为从1变到Z。例如，客户端32011标识基因类别编号1中的第一客户端计算机；客户端32021标识基因类别编号1中的第二客户端计算机；客户端3201N标识基因类别编号1中的第N客户端计算机。类似地，客户端320Z1标识基因类别编号Z中的第一客户端计算机；以及客户端320ZN标识基因类别编号Z中的第N客户端计算机。应当理解，N和Z是整数，并且每个类具有不同数目的(N个)客户端。
在一个实施例中，如上所述，由服务器310从任何类(j类)客户端接收的基因可以仅仅被传送回j类客户端来进行进一步评估。例如，服务器从类1的客户端320i1接收的基因(即，类1的基因)可以仅仅被传送回类1的客户端320i1来进行进一步评估。如上所述，基因的分类以及它们与客户端计算机间的关联性可以导致基因同质性、更快的收敛以及缺少不同基因类之间的关联性。
根据本发明的另一实施例，服务器合并已经收敛到足够生成新基因类的类。为此，允许服务器将其从客户端类中的一个成员接收的基因传送到不同类的成员客户端。备选地，服务器可以通过两个或更多现有类来形成新类。新类由此通过结合合并的类所使用的指示符来定义。例如，通过合并两个不同类而生成的新类可以由两个被合并的类所使用的指示符集的并集来表征。
参见图4，假设服务器310能够进行基因的混合。相应地，服务器310可以将例如它从客户端320i1接收到的基因仅仅传送到其他类1的客户端以进行进一步评估；或者将例如它从客户端320i4接收的类4的基因仅仅传送到类4的客户端以进行进一步评估。假设例如第一类中的基因能够使用指示符最低价格变动、交易量和股票的发散性，以及第二类中的基因能够使用指示符最低价格变动、MACD信息和ADX信息。还假设服务器将第一类基因和第二类基因合并来形成新的基因类。相应地，新近生成的类所使用的指示符包括最低价格变动、交易量、发散性、MACD信息和ADX信息。基因的合并有助于最小化源自于发现不是最佳点的局部优化的任何收敛。合并的类可以丢弃或者可以不丢弃。
图5A示出了根据本发明的一个实施例的利用多个客户端计算机来评估多个基因的性能特性的示例流程图500。在初始化阶段期间，客户端计算机与服务器联系，以由服务器指派502N个不同类中的一个类，N个不同类中的每个类与N个基因类之一相关联并且与之对应。相应地，存在N个基因类，每个基因类与客户端计算机的N个类之一相关联。在基因的生成504以及与基因相关联的数据的接收506之后，使用所接收的数据对基因进行评估508，以确定其性能特性或适应度。在评估508之后，丢弃512适应度被确定510为小于阈值的基因。适应度被确定510为大于或等于阈值的基因被存储并给提供514，以供服务器计算机选择和接受。
图5B示出了根据本发明的一个实施例的利用一个或多个服务器计算机来评估多个基因的性能特性的示例流程图550。在图5b中示出的示例中，在接受新基因之前，服务器计算机确定562新基因是否先前被服务器接受并存储。如果服务器计算机确定新基因先前被服务器计算机接受并存储，则服务器计算机将新基因的适应度值与其旧适应度值进行结合564，并且接受556基因以存储。如果服务器计算机确定新基因先前未被服务器计算机接受并存储，则服务器计算机将每个此类基因的适应度与服务器计算机先前所存储的该基因的适应度进行比较552。如果该比较552表明被提供来供接受的基因的适应度所具有的值大于或者等于服务器计算机先前所存储的基因的适应度值，则服务器计算机接受554基因。如果该比较552表明被提供来供接受的基因的适应度所具有的值小于服务器计算机先前所存储的基因的适应度值，则服务器计算机不接受560基因。
对于每个被服务器计算机接受的基因，服务器计算机确定所接受的基因所属于的基因类的收敛因子是否满足556指定的阈值或条件。如果所接受的基因所属于的基因类的收敛因子满足556所指定的阈值或条件，则将基因的类与适格合并的另一类进行合并574，由此生成新类。当合并发生时，服务器改变568被合并为新类的基因的类。具有合并的类的客户端计算机的类也类似地改变。一旦已合并类的类改变568，就做出558关于用于评估新近接受的基因的时间段的确定。如果确定558新近接受的基因满足要求的持续时间条件，则服务器将基因传送回566一个或多个客户端计算机以进行覆盖更多时间段的进一步评估。在这些实施例中，基因仅仅被传送回先前已经评估基因并且提供基因以供服务器计算机接受的客户端。换言之，由j类计算机评估的服务器基因仅仅被传送560给j类计算机以进行进一步评估，其中j是从1变到N的变量。如果所接受的基因所属于的基因类的收敛因子不满足556所指定的阈值或条件，则过程移到动作558，以确定用于评估新近接受的基因的时间段是否满足要求的持续时间条件，如上所述。应当理解，图5B中示出的各种动作和判定的顺序仅仅是例示性的，并且可以在不背离上述功能的情况下进行修改。
图6示出了图1中的客户端计算机和服务器计算机的多个组件。每个服务器和客户端设备被示出为包括至少一个处理器402，至少一个处理器402经由总线子系统404与多个外围设备通信。这些外围设备可以包括存储子系统406、用户接口输入设备412、用户接口输出设备414以及网络接口子系统416，存储子系统406的一部分包括存储器子系统408和文件存储子系统410。输入和输出设备允许与数据处理系统402之间的用户交互。
网络接口子系统416提供到其他计算机系统、网络和存储资源404的接口。网络可以包括因特网、局域网(LAN)、广域网(WAN)、无线网络、企业内部互联网、私人网络、公共网络、交换网络或者任何其他合适的通信网络。网络接口子系统416用作用于从其他资源接收数据以及向其他资源传送数据的接口。网络接口子系统416的实施例包括以太网卡、调制解调器(电话、卫星、电缆、ISDL等)、(异步)数字用户线路(DSL)单元等。
用户接口输入设备412可以包括键盘，比如鼠标、轨迹球、触摸板或图形输入板的指示设备，扫描仪，条形码扫描仪，并入在显示器中的触摸屏，比如语音识别系统、麦克风的音频输入设备，以及其他类型的输入设备。通常，术语“输入设备”的使用意在包括所有可能类型的设备以及输入信息的方式。
用户接口输出设备414可以包括显示子系统、打印机、传真机，或者非视觉显示设备，比如音频输出设备。显示子系统可以是阴极射线管(CRT)、比如液晶显示器(LCD)的平板设备、或者投影设备。通常，术语“输出设备”的使用意在包括所有可能类型的设备以及输出信息的方式。
存储子系统406可以被配置为基本编程及数据结构，该基本编程及数据结构提供根据本发明的实施例的功能。例如，根据本发明的一个实施例，实现本发明的软件模块可以存储在存储子系统206中。这些软件模块可以由处理器402执行。存储子系统406还可以提供用于存储根据本发明使用的数据的储存设备。存储子系统406可以包括例如存储器子系统408以及文件/磁盘存储子系统410。
存储器子系统408可以包括多个存储器，包括用于在程序执行期间存储指令和数据的主随机存取存储器(RAM)418以及用于存储固定指令的只读存储器(ROM)420。文件存储子系统410提供对程序和数据文件的永久性(非易失性)存储，并且可以包括硬盘驱动器、软盘驱动器以及相关联的可移动介质、紧凑盘只读存储器(CD-ROM)驱动器、光驱、可移动介质盒及其他类似的存储介质。
总线子系统404提供用于使得客户端/服务器的各种组件和子系统能够彼此通信的机制。尽管总线子系统404被示意性地示出为单个总线，但是总线子系统的替换实施例可以使用多个总线。
客户端/服务器可以具有各种类型，包括个人计算机、便携式计算机、工作站、网络计算机、大型机、信息亭或者任何其他数据处理系统。要理解的是，图3中描绘的客户端/服务器的描述仅仅意在作为一个示例。比图3中所示的系统具有更多或更少组件的许多其他配置是可能的。
本发明的上述实施例是例示性的，而不是限制性的。各种替换实施例和等价物是可能的。针对本公开的其他添加、删减或修改是显而易见的，并且意在落在所附权利要求书的范围内。

Claims (65)

1.一种联网计算机系统，包括M个客户端计算机，每个客户端计算机被指派为N个类中的一个类，不同的客户端计算机被指派为不同的类，以用于发展一个或多个基因，所述类中的每个类由指示符的子集定义，所述M个客户端计算机中的第一客户端计算机包括：
存储器，可操作以存储由多个条件以及与所述第一客户端计算机被指派的所述类相关联的所述指示符的子集表征的多个基因；
通信端口，所述第一客户端计算机通过所述通信端口周期性地接收与所述多个基因相关联的第一数据集；以及
处理器，可操作以通过将所述多个基因中的每个基因所提供的解与周期性地接收的与该基因相关联的第一数据集进行比较来评估每个基因的性能特性，每个基因的性能特性定义该基因的适应度并且利用每个周期性地接收的数据而被调整。
2.根据权利要求1所述的联网计算机系统，其中所述多个指示符的子集中的至少两个子集包括重叠的指示符。
3.根据权利要求1所述的联网计算机系统，其中与每个基因相关联的第一数据集包括覆盖第一多个交易日的历史交易数据，以及其中每个基因所提供的解包括由所述基因做出的交易建议。
4.根据权利要求3所述的联网计算机系统，其中每个客户端计算机被配置为在评估所述基因的适应度所述第一多个交易日之后丢弃其接收的基因中的一个或多个基因，每个被丢弃的基因所具有的适应度小于第一预定阈值，剩余基因中的每个基因是存留基因。
5.根据权利要求4所述的联网计算机系统，其中所述第一客户端计算机被配置为：
使用覆盖第二多个交易日的历史数据集，对其存留基因的适应度进行评估；
丢弃在所述第一多个交易日和所述第二多个交易日之和期间被评估的适应度小于第二预定阈值的基因；
重复所述评估和所述丢弃的操作至少S次，其中S是等于或大于1的整数，其中在S次评估和丢弃操作中存留的基因定义第一精英基因池；以及
将所述第一精英基因池中的一个或多个基因传送给服务器计算机。
6.根据权利要求5所述的联网计算机系统，其中所述第一预定阈值和第二预定阈值相等。
7.根据权利要求5所述的联网计算机系统，其中所述服务器计算机适于：
接收所述客户端计算机的精英基因池的一个或多个基因；
将所接收的一个或多个基因存储在服务器基因池中；以及
将先前由所述类中的第j类客户端计算机评估并从所述第j类客户端计算机接收的一个或多个基因仅仅传送到所述多个第j类客户端计算机的第一子集，以用于使用覆盖第三多个交易日的历史交易数据集的适应度评估，其中j是1到N之间的一个整数。
8.根据权利要求5所述的联网计算机系统，其中所述服务器计算机适于：
从k类客户端计算机接收一个或多个k类基因；
将所接收的k类基因存储在服务器基因池中；以及
将一个或多个k类基因传送到多个i类客户端计算机的至少第一子集，以用于使用覆盖第三多个交易日的历史交易数据集的适应度评估，其中k和i是表示不同类的不同整数。
9.根据权利要求8所述的联网计算机系统，其中所述服务器计算机使得k类基因和i类基因被合并，由此生成新基因类，所述新基因类由k类基因和i类基因的指示符的子集的并集来表示，其中所述k类基因和i类基因仅在k类基因的收敛性的测量结果满足预定条件并且i类基因的收敛性的测量结果满足预定条件的情况下被合并。
10.根据权利要求8所述的联网计算机系统，其中所述服务器计算机使得k类基因和i类基因合并，由此生成新基因类，所述新基因类由随机生成的指示符的不同子集来表示，其中所述k类基因和i类基因仅在k类基因的收敛性的测量结果满足预定条件并且i类基因的收敛性的测量结果满足预定条件的情况下被合并。
11.根据权利要求8所述的联网计算机系统，其中所述第三多个交易日与所述第一多个交易日不重叠。
12.根据权利要求5所述的联网计算机系统，其中仅在经过S次评估和丢弃操作之后的基因的适应度被计算为大于一个或多个服务器计算机先前存储的基因的适应度的情况下，将所述基因传送到所述服务器计算机。
13.根据权利要求4所述的联网计算机系统，其中所述客户端计算机中存储的基因根据在所述客户端计算机中存储并且由所述客户端计算机的处理器执行的计算机指令而生成。
14.根据权利要求8所述的联网计算机系统，其中所述服务器基因池被配置为存储固定数目的基因。
15.根据权利要求8所述的联网计算机系统，其中所述服务器计算机还适于将与所述服务器计算机从客户端计算机接收的每个基因相关联的适应度值与所述服务器计算机先前所存储的该基因的对应适应度值进行结合。
16.根据权利要求4所述的联网计算机系统，其中所述多个指示符作为一个逻辑表达式来评估，所述逻辑表达式由逻辑“与”操作连接和/或由逻辑“非”操作修改。
17.根据权利要求16所述的网络计算系统，其中每个基因推荐的所述至少一个动作选自买入、卖出、保持、退出推荐。
18.一种联网计算机系统，用于发展一个或多个基因，所述联网计算机系统包括服务器计算机，所述服务器计算机具有：
存储器，可操作以存储多个所述基因；以及
通信端口，所述服务器计算机通过所述通信端口从被指派为N个不同类的多个客户端计算接收一个或多个基因，每个类由指示符的子集定义，每个基因由多个条件以及与所述客户端被指派的类相关联的所述指示符的子集表征，所述服务器计算机配置用于：
将所接收的一个或多个基因存储在所述存储器中的服务器基因池中；以及
将所述服务器基因池中的一个或多个基因传送给所述多个客户端计算机的第一子集中的每个客户端计算机，以用于跨W个交易日的适应度评估，所述基因接收自所述多个客户端计算机，所述基因通过评估基因的性能特性而生成，对基因的性能特性的评估是通过将每个基因所提供的解与周期性地接收的与该基因相关联的数据进行比较，每个基因的性能特性利用每个周期性地接收的数据而被调整并且定义该基因的适应度。
19.根据权利要求18所述的联网计算机系统，其中与每个基因相关联的所述数据包括历史交易数据，并且其中每个基因所提供的解包括由所述基因做出的交易建议。
20.根据权利要求19所述的联网计算机系统，其中所述多个客户端计算机中的第一客户端计算机被配置为在评估基因的适应度P个交易日之后丢弃基因，每个被丢弃的基因所具有的适应度小于第一预定阈值。
21.根据权利要求20所述的联网计算机系统，其中所述多个客户端计算机中的第一客户端计算机还被配置为：
在除所述P个交易日之外的多个Q个交易日内评估剩余基因的适应度；
丢弃在P+Q个交易日内被评估的适应度小于第二预定阈值的基因；以及
重复所述评估和所述丢弃的操作至少S次，其中Q和S是整数，并且其中S等于或大于1，其中在S次评估和丢弃操作中存留的基因定义第一精英基因池。
22.根据权利要求19所述的联网计算机系统，其中所述服务器计算机仅接收适应度不小于先前存储在所述服务器基因池中的最不适应基因的适应度的基因。
23.根据权利要求22所述的联网计算机系统，其中所述服务器基因池被配置为存储固定数目的基因。
24.根据权利要求22所述的联网计算机系统，其中所述服务器还适于将与所述服务器计算机接收的每个基因相关联的多个适应度值与所述服务器计算机中存储的该基因的对应适应度值进行结合。
25.根据权利要求19所述的联网计算机系统，其中所述多个条件将所述多个指示符作为一个逻辑表达式来评估，所述逻辑表达式由逻辑“与”操作连接和/或由逻辑“非”操作修改。
26.根据权利要求25所述的联网计算机系统，其中每个基因的所述至少一个动作包括选自以下组的推荐：买入、卖出、保持、退出推荐。
27.根据权利要求21所述的联网计算机系统，其中所述服务器计算机将先前由j类客户端计算机评估并从所述j类客户端计算机接收的一个或多个基因仅仅传送给是j类的成员的多个客户端计算机的第一子集，以用于使用覆盖附加的多个交易日的历史交易数据集的适应度评估，其中j是一个整数。
28.根据权利要求20所述的联网计算机系统，其中所述服务器计算机将一个或多个k类基因传送给是i类的成员的多个客户端计算机的至少第一子集，以用于使用覆盖附加的多个交易日的历史交易数据集的适应度评估，其中k和i是表示不同类的不同整数。
29.根据权利要求28所述的联网计算机系统，其中所述服务器计算机使得k类基因和i类基因合并，由此生成新基因类，所述新基因类由k类基因和所述i类基因的指示符的子集的并集来表示，其中所述k类基因和i类基因仅在k类基因的收敛性的测量结果满足预定条件并且i类基因的收敛性的测量结果满足预定条件的情况下被合并。
30.根据权利要求28所述的联网计算机系统，其中所述服务器计算机使得k类基因和i类基因合并，由此生成新基因类，所述新基因类由随机生成的指示符的不同子集表示，其中所述k类基因和i类基因仅在k类基因的收敛性的测量结果满足预定条件并且i类基因的收敛性的测量结果满足预定条件的情况下被合并。
31.一种用于求解计算问题的方法，所述方法包括：
在多个客户端计算机中的第一客户端计算机可访问的存储器中存储N个基因，每个基因由多个条件以及与所述基因所属于的类相关联的指示符的相应子集表征，每个基因还由至少一个动作表征，其中N是大于1的整数；
周期性地接收与所述N个基因相关联的数据；以及
通过将所述N个基因中的每个基因所提供的解与周期性地接收的与该基因相关联的数据进行比较来评估每个基因的性能特性，每个基因的性能特性利用每个周期性地接收的数据而被调整并且定义该基因的适应度。
32.根据权利要求31所述的方法，其中与每个基因相关联的所述数据包括历史交易数据，并且其中每个基因所提供的解包括由所述基因做出的交易建议。
33.根据权利要求32所述的方法，还包括：
在评估所述N个基因的适应度第一多个交易日之后，丢弃所述N个基因中的M个基因，每个被丢弃的基因所具有的适应度小于第一预定阈值，剩余的N-M个基因中的每个基因是存留基因，其中M和N是正整数，并且其中M小于N。
34.根据权利要求33所述的方法，还包括：
使用覆盖第二多个交易日的历史数据集，对存留基因的适应度进行评估；
丢弃在所述第一多个交易日和所述第二多个交易日之和期间被评估的适应度小于第二预定阈值的基因；
重复所述评估和所述丢弃的操作至少S次，其中S是大于1的整数，其中在S次评估和丢弃操作中存留的基因定义第一精英基因池；以及
将所述第一精英基因池中的一个或多个基因传送给服务器。
35.根据权利要求34所述的方法，其中所述第一预定阈值和第二预定阈值相等。
36.根据权利要求34所述的方法，还包括由所述服务器：
接收所述精英基因池的一个或多个基因；
存储所接收基因中的一个或多个基因；以及
将先前由第一类客户端计算机评估并从所述第一类客户端计算机接收的一个或多个基因仅仅传送到多个第一类客户端计算机的第一子集，以用于使用覆盖第三多个交易日的历史交易数据集的适应度评估。
37.根据权利要求34所述的方法，还包括由所述服务器：
接收所述精英基因池的一个或多个基因；
存储所接收基因中的一个或多个基因；以及
将先前由第二类客户端计算机评估并且由所述服务器从所述第二类客户端计算机接收的一个或多个k类基因仅传送给是i类的成员的多个客户端计算机的第一子集，以用于使用覆盖第三多个交易日的历史交易数据集的适应度评估，其中k和i是表示不同类的不同整数。
38.根据权利要求37所述的方法，还包括：
合并k类基因和i类基因以生成新基因类，所述新基因类由k类基因和i类基因的指示符的子集的并集来表示。
39.根据权利要求37所述的方法，还包括：
合并k类基因和i类基因以生成新基因类，所述新基因类由随机生成的指示符的不同子集来表示。
40.根据权利要求37所述的方法，其中所述第三多个交易日与所述第一多个交易日不重叠。
41.根据权利要求34所述的方法，还包括：
仅在基因经过S次评估和丢弃操作之后的适应度被计算为大于所述基因在先前存储时的适应度的情况下，传送所述基因以便存储。
42.根据权利要求33所述的方法，还包括：
根据在所述客户端计算机中存储并且由所述客户端计算机执行的计算机指令，生成所述客户端计算机中存储的基因。
43.根据权利要求37所述的方法，还包括：
将固定数目的基因存储在服务器基因池中。
44.根据权利要求37所述的方法，还包括：
将与所述服务器接收的每个基因相关联的多个适应度值与先前存储在所述服务器中的该基因的对应适应度值进行结合。
45.一种单机计算机，包括：
配置作为服务器的至少一个处理内核；以及
配置作为多个客户端的多个处理内核，每个客户端被指派为不同的类，以用于发展一个或多个基因，每个类由指示符的子集定义，所述多个客户端中的每个客户端包括：
存储器，可操作以存储N个基因，每个基因由多个条件、与所述客户端被指派给的所述类相关联的所述指示符的子集以及至少一个动作表征，其中N是大于1的整数；
端口，适于持续周期性地接收与所述N个基因相关联的数据，每个客户端处理内核被配置为通过将所述N个基因中的每个基因所提供的解与周期性地接收的与该基因相关联的数据进行比较来评估每个基因的性能特性，每个基因的性能特性利用每个周期性地接收的数据而被调整并且定义该基因的适应度。
46.根据权利要求45所述的单机计算机，其中与每个基因相关联的所述数据包括历史交易数据，并且其中每个基因所提供的解包括由所述基因做出的交易建议。
47.根据权利要求46所述的单机计算机，其中所述多个客户端处理内核中的第一客户端处理内核被配置为在评估所述N个基因的适应度P个交易日之后丢弃所述N个基因中的M个基因，每个被丢弃的基因所具有的适应度小于第一预定阈值，剩余的N-M个基因中的每个基因是存留基因，其中M和P是正整数，并且其中M小于N。
48.根据权利要求47所述的单机计算机，其中所述第一客户端处理内核还被配置为：
在除所述P个交易日之外的多个Q个交易日内评估剩余基因的适应度；
丢弃在P+Q个交易日内被评估的适应度小于第二预定阈值的基因；以及
重复所述评估和所述丢弃的操作至少S次，其中Q和S是整数，并且其中S等于或大于1，其中在总共V个交易日的评估之后在S次评估和丢弃操作中存留的基因定义第一精英基因池；以及
将所述第一精英池的基因传送给所述服务器处理内核。
49.根据权利要求48所述的单机计算机，其中所述第一预定阈值和第二预定阈值相等。
50.根据权利要求48所述的单机计算机，其中所述服务器处理内核适于：
从所述第一客户端处理内核选择性地接收所述第一精英基因池；
将所接收的基因存储在服务器基因池中；以及
将先前由j类客户端处理内核评估并且从所述j类客户端处理内核接收的一个或多个基因仅传送到多个j类客户端处理内核的至少第一子集以用于适应度评估，其中j是一个整数。
51.根据权利要求48所述的单机计算机，其中所述服务器处理内核适于：
从所述第一客户端处理内核选择性地接收所述第一精英基因池；
将所接收的基因存储在服务器基因池中；以及
将先前由k类客户端处理内核评估并且从所述k类客户端处理内核接收的一个或多个基因传送到多个j类客户端处理内核的至少第一子集以用于适应度评估，其中k和j是不相等的整数。
52.根据权利要求51所述的单机计算机，其中所述服务器处理内核使得k类基因和i类基因被合并，由此生成新基因类，所述新基因类由k类基因和i类基因的指示符的子集的并集来表示。
53.根据权利要求51所述的单机计算机，其中所述服务器处理内核使得k类基因和i类基因被合并，由此生成新基因类，所述新基因类由随机生成的指示符的不同子集表示。
54.根据权利要求48所述的单机计算机，其中所述多个客户端处理内核的至少第一子集中的每个客户端处理内核适于：
从所述服务器处理内核接收一个或多个基因；
通过将接收的基因中的每个基因做出的交易建议与跨W个交易日的相关联的历史交易数据进行比较，来评估所接收的基因的适应度；
丢弃适应度小于第三阈值的基因；以及
将未被丢弃的基因传送给所述服务器处理内核，以考虑存储在所述服务器基因池中。
55.根据权利要求54所述的单机计算机，其中所述W个交易日和V个交易日不重叠。
56.根据权利要求54所述的单机计算机，其中所述第三阈值等于所述第一预定阈值和所述第二预定阈值。
57.根据权利要求54所述的单机计算机，其中仅在所述基因的适应度大于先前存储在所述服务器基因池中的基因的适应度时，将所述基因传送到所述服务器处理内核。
58.根据权利要求46所述的单机计算机，其中每个客户端处理内核中存储的所述基因根据在所述单机计算机中存储并且由所述单机计算机执行的计算机指令而生成。
59.根据权利要求54所述的单机计算机，其中所述服务器处理内核配置为将固定数目的基因存储在其池中。
60.根据权利要求57所述的单机计算机，其中所述服务器处理内核还适于将与所述服务器处理内核从所述多个客户端处理内核中的至少第一子集接收的每个基因相关联的多个适应度值与所述服务器处理内核中存储的该基因的对应适应度值进行结合。
61.根据权利要求47所述的单机计算机，其中所述多个指示符作为一个逻辑表达式来评估，所述逻辑表达式由逻辑“与”操作连接和/或由逻辑“非”操作修改。
62.根据权利要求48所述的单机计算机，其中每个基因推荐的所述至少一个动作选自买入、卖出、保持、退出操作。
63.根据权利要求51所述的单机计算机，其中k类基因和i类基因仅在k类基因和i类基因的收敛性的测量结果满足预定条件的情况下被合并。
64.根据权利要求53所述的单机计算机，其中k类基因和i类基因仅在k类基因和i类基因的收敛性的测量结果满足预定条件的情况下被合并。
65.根据权利要求60所述的单机计算机，其中所述单机计算机是大型计算机。
CN201080018800.6A 2009-04-28 2010-04-28 用于资产管理和交易的基于类的分布式进化算法 Expired - Fee Related CN102422279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410529310.2A CN104317771B (zh) 2009-04-28 2010-04-28 用于资产管理和交易的基于类的分布式进化系统

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US17358109P 2009-04-28 2009-04-28
US17358209P 2009-04-28 2009-04-28
US61/173,581 2009-04-28
US61/173,582 2009-04-28
PCT/US2010/032847 WO2010127042A1 (en) 2009-04-28 2010-04-28 Class-based distributed evolutionary algorithm for asset management and trading

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201410529310.2A Division CN104317771B (zh) 2009-04-28 2010-04-28 用于资产管理和交易的基于类的分布式进化系统

Publications (2)

Publication Number Publication Date
CN102422279A CN102422279A (zh) 2012-04-18
CN102422279B true CN102422279B (zh) 2016-09-21

Family

ID=42993002

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201410529310.2A Expired - Fee Related CN104317771B (zh) 2009-04-28 2010-04-28 用于资产管理和交易的基于类的分布式进化系统
CN201080018800.6A Expired - Fee Related CN102422279B (zh) 2009-04-28 2010-04-28 用于资产管理和交易的基于类的分布式进化算法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201410529310.2A Expired - Fee Related CN104317771B (zh) 2009-04-28 2010-04-28 用于资产管理和交易的基于类的分布式进化系统

Country Status (13)

Country Link
US (2) US8768811B2 (zh)
EP (1) EP2422276A4 (zh)
JP (1) JP5686795B2 (zh)
KR (1) KR101689909B1 (zh)
CN (2) CN104317771B (zh)
AU (1) AU2010241597B2 (zh)
BR (1) BRPI1015195A2 (zh)
CA (1) CA2759293A1 (zh)
HK (2) HK1206827A1 (zh)
IL (1) IL215730A (zh)
RU (2) RU2604673C2 (zh)
SG (2) SG10201401854TA (zh)
WO (1) WO2010127042A1 (zh)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8909570B1 (en) 2008-11-07 2014-12-09 Genetic Finance (Barbados) Limited Data mining technique with experience-layered gene pool
AU2010241594B2 (en) 2009-04-28 2015-05-21 Sentient Technologies (Barbados) Limited Distributed evolutionary algorithm for asset management and trading
EP2422276A4 (en) 2009-04-28 2012-11-14 Genetic Finance Barbados Ltd CLASS-BASED DISTRIBUTED EVOLUTIONARY ALGORITHM FOR INVESTMENT MANAGEMENT AND TRADING
US9304895B1 (en) * 2011-07-15 2016-04-05 Sentient Technologies (Barbados) Limited Evolutionary technique with n-pool evolution
US9710764B1 (en) 2011-07-15 2017-07-18 Sentient Technologies (Barbados) Limited Data mining technique with position labeling
US9367816B1 (en) 2011-07-15 2016-06-14 Sentient Technologies (Barbados) Limited Data mining technique with induced environmental alteration
US9002759B2 (en) * 2011-07-15 2015-04-07 Sentient Technologies (Barbados) Limited Data mining technique with maintenance of fitness history
US10025700B1 (en) 2012-07-18 2018-07-17 Sentient Technologies (Barbados) Limited Data mining technique with n-Pool evolution
TWI489407B (zh) * 2012-11-12 2015-06-21 Univ Nat Taiwan Science Tech 分散式選擇權交易策略產生系統及方法
JP6230315B2 (ja) * 2013-07-23 2017-11-15 株式会社日立製作所 マーケットインパクト減衰係数算出装置、マーケットインパクト減衰係数算出方法、約定シミュレーションシステム、及び約定シミュレーション方法
US11288579B2 (en) 2014-01-28 2022-03-29 Cognizant Technology Solutions U.S. Corporation Training and control system for evolving solutions to data-intensive problems using nested experience-layered individual pool
US10430709B2 (en) 2016-05-04 2019-10-01 Cognizant Technology Solutions U.S. Corporation Data mining technique with distributed novelty search
US10268953B1 (en) 2014-01-28 2019-04-23 Cognizant Technology Solutions U.S. Corporation Data mining technique with maintenance of ancestry counts
US11676205B2 (en) * 2014-08-22 2023-06-13 Iex Group, Inc. Dynamic peg orders in an electronic trading system
JP6655606B2 (ja) * 2014-08-22 2020-02-26 アイイーエックス グループ，インコーポレーテッド 電子取引システムにおけるダイナミックペグ注文
WO2016207731A2 (en) 2015-06-25 2016-12-29 Sentient Technologies (Barbados) Limited Alife machine learning system and method
US10430429B2 (en) 2015-09-01 2019-10-01 Cognizant Technology Solutions U.S. Corporation Data mining management server
US10956823B2 (en) 2016-04-08 2021-03-23 Cognizant Technology Solutions U.S. Corporation Distributed rule-based probabilistic time-series classifier
US11250328B2 (en) 2016-10-26 2022-02-15 Cognizant Technology Solutions U.S. Corporation Cooperative evolution of deep neural network structures
US10839938B2 (en) 2016-10-26 2020-11-17 Cognizant Technology Solutions U.S. Corporation Filtering of genetic material in incremental fitness evolutionary algorithms based on thresholds
US11403532B2 (en) 2017-03-02 2022-08-02 Cognizant Technology Solutions U.S. Corporation Method and system for finding a solution to a provided problem by selecting a winner in evolutionary optimization of a genetic algorithm
US10744372B2 (en) 2017-03-03 2020-08-18 Cognizant Technology Solutions U.S. Corporation Behavior dominated search in evolutionary search systems
US11507844B2 (en) 2017-03-07 2022-11-22 Cognizant Technology Solutions U.S. Corporation Asynchronous evaluation strategy for evolution of deep neural networks
CN108805380A (zh) * 2017-05-04 2018-11-13 上海诺亚投资管理有限公司 一种基于区块链的金融产品收益评估方法和系统
CN107330214B (zh) * 2017-07-11 2021-06-01 哈尔滨工业大学（威海） 基于离散化与启发式进化算法的空间布局优化方法
US11281977B2 (en) 2017-07-31 2022-03-22 Cognizant Technology Solutions U.S. Corporation Training and control system for evolving solutions to data-intensive problems using epigenetic enabled individuals
US11250314B2 (en) 2017-10-27 2022-02-15 Cognizant Technology Solutions U.S. Corporation Beyond shared hierarchies: deep multitask learning through soft layer ordering
WO2019118299A1 (en) 2017-12-13 2019-06-20 Sentient Technologies (Barbados) Limited Evolving recurrent networks using genetic programming
EP3724819A4 (en) 2017-12-13 2022-06-22 Cognizant Technology Solutions U.S. Corporation SCALABLE ARCHITECTURES FOR THE EVOLUTION OF DEEP NEURAL NETWORKS
US11574201B2 (en) 2018-02-06 2023-02-07 Cognizant Technology Solutions U.S. Corporation Enhancing evolutionary optimization in uncertain environments by allocating evaluations via multi-armed bandit algorithms
US11527308B2 (en) 2018-02-06 2022-12-13 Cognizant Technology Solutions U.S. Corporation Enhanced optimization with composite objectives and novelty-diversity selection
US11755979B2 (en) 2018-08-17 2023-09-12 Evolv Technology Solutions, Inc. Method and system for finding a solution to a provided problem using family tree based priors in Bayesian calculations in evolution based optimization
US11481639B2 (en) 2019-02-26 2022-10-25 Cognizant Technology Solutions U.S. Corporation Enhanced optimization with composite objectives and novelty pulsation
CA3129731A1 (en) 2019-03-13 2020-09-17 Elliot Meyerson System and method for implementing modular universal reparameterization for deep multi-task learning across diverse domains
US11783195B2 (en) 2019-03-27 2023-10-10 Cognizant Technology Solutions U.S. Corporation Process and system including an optimization engine with evolutionary surrogate-assisted prescriptions
JP6801149B1 (ja) * 2020-01-20 2020-12-16 楽天株式会社 情報処理装置、情報処理方法およびプログラム
US20210312297A1 (en) * 2020-04-07 2021-10-07 Cognizant Technology Solutions U.S. Corporation Framework For Interactive Exploration, Evaluation, and Improvement of AI-Generated Solutions
US11775841B2 (en) 2020-06-15 2023-10-03 Cognizant Technology Solutions U.S. Corporation Process and system including explainable prescriptions through surrogate-assisted evolution

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1902646A (zh) * 2003-12-26 2007-01-24 株式会社进化系统综合研究所 参数调节装置

Family Cites Families (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08110804A (ja) 1994-10-11 1996-04-30 Omron Corp データ処理装置
US5845266A (en) * 1995-12-12 1998-12-01 Optimark Technologies, Inc. Crossing network utilizing satisfaction density profile with price discovery features
GB9517775D0 (en) * 1995-08-31 1995-11-01 Int Computers Ltd Computer system using genetic optimization techniques
JPH09114797A (ja) * 1995-10-18 1997-05-02 Fuji Xerox Co Ltd 最適解探索方法及び装置
US20080071588A1 (en) * 1997-12-10 2008-03-20 Eder Jeff S Method of and system for analyzing, modeling and valuing elements of a business enterprise
US5920848A (en) * 1997-02-12 1999-07-06 Citibank, N.A. Method and system for using intelligent agents for financial transactions, services, accounting, and advice
GB9805260D0 (en) * 1998-03-13 1998-05-06 Ncr Int Inc Method and apparatus to model the variables of a data set
US6249783B1 (en) * 1998-12-17 2001-06-19 International Business Machines Corporation Method and apparatus for efficiently executing built-in functions
US6240399B1 (en) * 1998-12-24 2001-05-29 Glenn Frank System and method for optimizing investment location
US6207460B1 (en) * 1999-01-14 2001-03-27 Extraction Systems, Inc. Detection of base contaminants in gas samples
US6779016B1 (en) * 1999-08-23 2004-08-17 Terraspring, Inc. Extensible computing system
US6816846B1 (en) * 1999-11-12 2004-11-09 Xerox Corporation Method for generating rich sound environments using genetic or shaped algorithms
US8095447B2 (en) * 2000-02-16 2012-01-10 Adaptive Technologies, Ltd. Methods and apparatus for self-adaptive, learning data analysis
CA2346231A1 (en) * 2000-05-08 2001-11-08 Internet Number Corporation Method and system for accessing information on a network using message aliasing functions having shadow callback functions
JP2001325041A (ja) 2000-05-12 2001-11-22 Toyo Eng Corp 計算機資源活用方法及びシステム
US20020002502A1 (en) * 2000-05-19 2002-01-03 Patricia Maes Product brokering method and system
US7246075B1 (en) * 2000-06-23 2007-07-17 North Carolina A&T State University System for scheduling multiple time dependent events
US20020019844A1 (en) * 2000-07-06 2002-02-14 Kurowski Scott J. Method and system for network-distributed computing
JP2003044665A (ja) 2001-07-31 2003-02-14 Cmd Research:Kk 金融市場における価格変動シミュレーションプログラム
US7444309B2 (en) * 2001-10-31 2008-10-28 Icosystem Corporation Method and system for implementing evolutionary algorithms
US7013344B2 (en) * 2002-01-09 2006-03-14 International Business Machines Corporation Massively computational parallizable optimization management system and method
US7395235B2 (en) * 2002-06-13 2008-07-01 Centre For Development Of Advanced Computing Strategy independent optimization of multi objective functions
JP2004240671A (ja) 2003-02-05 2004-08-26 Hitachi Ltd 分散計算機の処理方法及びシステム
JP3977765B2 (ja) 2003-03-31 2007-09-19 富士通株式会社 グリッドコンピューティングを用いたシステムにおけるリソース提供方法，そのシステムにおける監視装置およびその監視装置用プログラム
US7627506B2 (en) * 2003-07-10 2009-12-01 International Business Machines Corporation Method of providing metered capacity of temporary computer resources
WO2004090692A2 (en) * 2003-04-04 2004-10-21 Icosystem Corporation Methods and systems for interactive evolutionary computing (iec)
US20050033672A1 (en) * 2003-07-22 2005-02-10 Credit-Agricole Indosuez System, method, and computer program product for managing financial risk when issuing tender options
WO2005067614A2 (en) * 2004-01-07 2005-07-28 Maxspeed A system and method of commitment management
US20080235317A1 (en) 2004-01-27 2008-09-25 Tom Burgmans System and Method For Providing an Extended Computing Capacity
US7469228B2 (en) * 2004-02-20 2008-12-23 General Electric Company Systems and methods for efficient frontier supplementation in multi-objective portfolio analysis
US7689681B1 (en) * 2005-02-14 2010-03-30 David Scott L System and method for facilitating controlled compensable use of a remotely accessible network device
RU2294561C2 (ru) * 2005-03-28 2007-02-27 Государственное образовательное учреждение высшего профессионального образования "Таганрогский государственный радиотехнический университет" (ТРТУ) Устройство аппаратной реализации вероятностных генетических алгоритмов
US7603325B2 (en) * 2005-04-07 2009-10-13 Jacobson David L Concurrent two-phase completion genetic algorithm system and methods
CA2612950A1 (en) * 2005-06-29 2007-01-04 Itg Software Solutions, Inc. System and method for generating real-time indicators in a trading list or portfolio
US20070143759A1 (en) * 2005-12-15 2007-06-21 Aysel Ozgur Scheduling and partitioning tasks via architecture-aware feedback information
CN1808483A (zh) * 2006-01-16 2006-07-26 彭京 基于生物启发计算的流动人口信息分析及预、报警方法
JP2007207173A (ja) 2006-02-06 2007-08-16 Fujitsu Ltd 性能分析プログラム、性能分析方法、および性能分析装置
JP2008129984A (ja) * 2006-11-24 2008-06-05 Osaka Prefecture Univ 取引支援システム、取引支援プログラム及びその記録媒体。
JP5466163B2 (ja) * 2007-11-08 2014-04-09 ジェネティック ファイナンス （バルバドス） リミテッド コンピュータタスクを行う方法、及びネットワークコンピュータシステム
US8275644B2 (en) * 2008-04-16 2012-09-25 International Business Machines Corporation Generating an optimized analytical business transformation
US8204717B2 (en) * 2009-04-01 2012-06-19 Honeywell International Inc. Cloud computing as a basis for equipment health monitoring service
US8555381B2 (en) * 2009-04-01 2013-10-08 Honeywell International Inc. Cloud computing as a security layer
US7970830B2 (en) * 2009-04-01 2011-06-28 Honeywell International Inc. Cloud computing for an industrial automation and manufacturing system
EP2422276A4 (en) 2009-04-28 2012-11-14 Genetic Finance Barbados Ltd CLASS-BASED DISTRIBUTED EVOLUTIONARY ALGORITHM FOR INVESTMENT MANAGEMENT AND TRADING
AU2010241594B2 (en) * 2009-04-28 2015-05-21 Sentient Technologies (Barbados) Limited Distributed evolutionary algorithm for asset management and trading
US8583530B2 (en) * 2011-03-17 2013-11-12 Hartford Fire Insurance Company Code generation based on spreadsheet data models

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1902646A (zh) * 2003-12-26 2007-01-24 株式会社进化系统综合研究所 参数调节装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Agent based Genetic Algorithm Employing Financial Technical Analysis for Making Trading Decisions Using Historical Equity Market Data》;Cyril Schoreels et al.;《2004 IEEE/WIC/ACM International Conference on Intelligent Agent Technology》;20040924;全文 *

Also Published As

Publication number Publication date
SG175361A1 (en) 2011-11-28
US8768811B2 (en) 2014-07-01
JP2012525650A (ja) 2012-10-22
BRPI1015195A2 (pt) 2020-08-11
CN104317771B (zh) 2017-12-01
CA2759293A1 (en) 2010-11-04
CN102422279A (zh) 2012-04-18
US20100274736A1 (en) 2010-10-28
HK1165035A1 (zh) 2012-09-28
JP5686795B2 (ja) 2015-03-18
SG10201401854TA (en) 2014-09-26
KR20120024660A (ko) 2012-03-14
RU2015106321A (ru) 2015-06-20
CN104317771A (zh) 2015-01-28
RU2011148277A (ru) 2013-06-10
HK1206827A1 (zh) 2016-01-15
IL215730A (en) 2016-06-30
IL215730A0 (en) 2012-01-31
RU2604673C2 (ru) 2016-12-10
EP2422276A4 (en) 2012-11-14
US20140229362A1 (en) 2014-08-14
AU2010241597A1 (en) 2011-12-08
KR101689909B1 (ko) 2016-12-26
RU2556374C2 (ru) 2015-07-10
WO2010127042A1 (en) 2010-11-04
AU2010241597B2 (en) 2015-01-22
EP2422276A1 (en) 2012-02-29

Similar Documents

Publication Publication Date Title
CN102422279B (zh) 用于资产管理和交易的基于类的分布式进化算法
CN106203630A (zh) 用于资产管理和交易的分布式进化算法
US20190066133A1 (en) System and method for providing data science as a service
Leslie et al. Resale and rent-seeking: An application to ticket markets
AU2008323758B2 (en) Distributed network for performing complex algorithms
US11367088B2 (en) System and method for providing data science as a service
JP2010118084A (ja) 取引コストの評価および最適化のためのシステム並びに方法
US20140258175A1 (en) Generating Personalized Investment Recommendations
CN107730386A (zh) 投资组合产品的生成方法、装置、存储介质和计算机设备
Kochliaridis et al. Combining deep reinforcement learning with technical analysis and trend monitoring on cryptocurrency markets
US20220327620A1 (en) Investment system interface with dedicated training networks
US20130117070A1 (en) Method and apparatus for providing market simulation service
Bloch A practical guide to quantitative portfolio trading
WO2020086851A1 (en) System and method for providing data science as a service
CN110795232A (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
Arivanandhan et al. Dynamic pricing on maximum concurrency for heterogeneous instances using hyperparameter optimization in dueling deep reinforcement learning in a multi-cloud scenario
Verwer et al. Revenue prediction in budget-constrained sequential auctions with complementarities
TWI503777B (zh) 用於資產管理與交易之分散式進化演算法
TWI549083B (zh) 用於資產管理與交易之以類別為基礎的分散式進化演算法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1165035

Country of ref document: HK

C53 Correction of patent of invention or patent application
CB02 Change of applicant information

Address after: Barbados

Applicant after: Ideal technology (Barbados) Ltd

Address before: Barbados

Applicant before: Genetic Finance Barbados Ltd

COR Change of bibliographic data

Free format text: CORRECT: APPLICANT; FROM: GENETIC FINANCE BARBADOS LIMITED TO: SITENG TECHNOLOGY (BARBADOS) CO., LTD.

C14 Grant of patent or utility model
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: GR

Ref document number: 1165035

Country of ref document: HK

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160921

Termination date: 20200428