CN112884583A - 一种股票交易策略仿生与进化算法的方法 - Google Patents
一种股票交易策略仿生与进化算法的方法 Download PDFInfo
- Publication number
- CN112884583A CN112884583A CN202110301777.1A CN202110301777A CN112884583A CN 112884583 A CN112884583 A CN 112884583A CN 202110301777 A CN202110301777 A CN 202110301777A CN 112884583 A CN112884583 A CN 112884583A
- Authority
- CN
- China
- Prior art keywords
- strategy
- group
- market
- self
- training
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 206010010254 Concussion Diseases 0.000 claims description 3
- 230000003592 biomimetic effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000009514 concussion Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012954 risk control Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000013102 re-test Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种方法,尤其涉及一种股票交易策略仿生与进化算法的方法。按以下步骤进行:策略创建及仿生化→策略自我学习→首先对每一项因子进行公式化的定义→策略群组的进化。结通过将交易者的各种思想、需求和意愿,进行参数化分类,然后通过一个策略向导界面,让交易者自行创建策略,再对策略进行大量数据的回测计算,得到一个满意的结果,然后将这一揽子参数、数据组合和计算结果保存成策略。
Description
技术领域
本发明涉及一种方法,尤其涉及一种股票交易策略仿生与进化算法的方法。
背景技术
在今天互联网高度发达,信息爆炸的时代,股票交易人仍然面临如下几大痛点:
1、很多人主观随意性太强,消息灵通听风是雨,但最终的结果仍然是账面的亏损。根本原因是不能形成适合自己的策略。
2、有限策略的有效期已过而交易者无法感知,造成亏损。
3、苦觅交易策略的万能圣杯而不可得。
4、策略在有限历史数据的条件下,存在过度拟合,实盘交易不尽人意。
这些问题犹如一个常年养生健身,或者寻觅长生不老丹的人,最终结果仍然不能避免生老病死。传统的交易方式,不管是主观交易还是量化交易,都存在这样那样的局限性。交易界的明星和彗星众多,却鲜见寿星。
发明内容
本发明主要是解决现有技术中存在的不足,提供一种通过将交易者的各种思想、需求和意愿,进行参数化分类,然后通过一个策略向导界面,让交易者自行创建策略,再对策略进行大量数据的回测计算,得到一个满意的结果,然后将这一揽子参数、数据组合和计算结果保存成策略,对策略在每个时间区间进行综合评分的一种股票交易策略仿生与进化算法的方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种股票交易策略仿生与进化算法的方法,按以下步骤进行:
(一)、策略创建及仿生化:
A,创建品种个性化数据库:按照每个品种的特征创建个性化的数据库,这里的特征是指行业属性、波动率、财务;再使用通用化的算法,这里的算法是指趋势算法、通道算法、网格算法;这种个性化数据特征与通用化算法结合,从而大大提高市场预测的准确性。
B,创建策略群:按照不同算法和不同品种,组合成不同的策略从而形成一个策略群;
C,创建进化机制:根据市场的混沌变化,策略群会进行自我演化,把性能表现好的自动排在前面,并且剔除性能表现差的。从而实现优胜略汰和策略群的自我进化;
D,每个策略通过深度学习算法不断提高自我市场环境适应性;
通过如上几个因素,实现了策略系统的仿生化;
(二)、策略自我学习:
由于上市公司的各自属性(行业、财务)不同而反映到价格走势各不相同,但同时又具有个股和指数关联性的一面,另外,不同类别的品种其波动性形态各异,例如:蓝筹股波动相对平缓,而创业板巨幅震荡;
如何把握不同品种的无常变化,采用形态分类、财务分类;我们把每个策略所对应的所有品种,进行大量的训练,最后得出一个满意的结果,然后把这些训练结果进行打分并作为“DNA”保存下来;
实际交易中,再根据市场的实时变化来自动适应当先表现好的策略进行交易;这样便实现了策略自学习功能,大大减轻了人工进行筛选调整的工作量:
(三)、首先对每一项因子进行公式化的定义:
其中INDEX_MARKET_EMOTIONx代表市场整体情绪,INDEX_AVG_PEx代表市场整体市盈率;
价格波动因子(ATR)=
BMTR:MAX(MAX((HIGH-LOW),ABS(REF(CLOSE,1)-HIGH)),ABS(REF(CLOSE,1)-LOW));ATR:EMA(BMTR,N);
事件因子(NLP_FACTOR)=
NLP_KEY_POINT(0或者1);即使用NLP自然语言分析模块对该上市公司的重大事件进行分析,得出此事件对价格的影响(1-有影响,0-无影响);
如上所示,使用权威机构评级摘要数据(买入、推荐、中性、负面、卖出)对事件进行计算得出相关因子;
如上因子形成每个品种的属性,我们称呼其为“DNA”,但是这些属性对市场价格的影响并不能使用简单的线性数学公式对其进行运算;而使用概率统计对其影响进行统计,得出每个因子对价格涨跌影响的概率值,依次公式对后续市场走势作出预测,即典型的贝叶斯公式,如下:
其他因子对趋势形成的概率计算公式依此类推;
(四)、策略群组的进化:
包括群组形成、打分排序、定期优胜略汰、群组表现评估、反馈自我强化和环境自适应;
①群组形成:相比单个策略,我们把具有某种属性的多个策略创建成一个策略组,也就是策略群组;交易者众所周知,任何一个策略,都有其失效期,但是作为关联度不大(比如趋势与震荡,银行与半导体)的策略组合,在市场上更加具有抗风险性;
②打分排序:每个策略有一系列属性,比如胜率、收益率、回撤率,我们把这些属性通过一个加权运算,得到一个综合评分,最后对策略群组的所有策略进行评分排名,还可以对不同群组策略进行排名;
③定期优胜略汰:当对每个策略群组的所有策略进行定期打分排名后,保留前N名,剔除后N名;并且定期进行这样的排序和优胜略汰,形成策略群体的不断进化;
④群组表现评估:对群组进行综合打分,同时根据群组的历史性能表现曲线,进行评估,得到一个整体表现;
⑤反馈自我强化:根据每个交易标的,通过自我学习,得到交易标的DNA;根据每个群组,通过自我学习,得到群组DNA;标的和群组按照DNA运行阶段,还可以根据实际的环境进行自我反馈从而进行自我修复和优势不断强化;
⑥环境自适应:外界环境的千变万化,生物往往不能准确自我预测,比如自然灾害、金融灾害、战争;因此个体对于环境无法做出及时的自我调整,而一个群体内个体的丰富差异,会随着环境的变化而演化,实现自然选择和优胜略汰,从而让这个群体实现了环境自适应并且不断发展壮大;而对于交易策略也是类似,市场的变化无常,最好的办法是群体策略演化,通过个体策略的不断调整优胜略汰来适应;而我们之前的策略群组内部的定期打分排序功能,便具有环境自适应能力;
⑦策略模拟训练:该部分功能分为,单品种单策略的训练,多品种单策略的训练,群组策略训练,训练功能可以设置为全自动交易,以提高用户的感受体验,同时做好风险控制;
⑧策略实盘运行:给予策略模拟训练,交易者对自己的策略体系熟悉以后,最后得到人机结合,就可以开始实盘交易运行;实盘交易可以分为,单品种单策略交易、多品种单策略的训练,群组策略训练;交易模式可以设置为半自动交易和全自动交易。
大量策略在指定的时间区间,表现各不相同,通过综合评分对这些策略进行排名,保留前面M个,剔除后面N个,行程优胜略汰的机制。
根据指定的时间周期(比如按照周、月、季、年等),对策略组合进行分类,比如周策略组合、月策略组合、季策略组合、年策略组合,由于组合内部的众多策略采用了优胜略汰的机制,从而保证了每一组策略的自动进化机制。而每组策略的设计细节(各类参数、资金大小等等)即为基因。
由策略基因决定了策略的未来进化命运。
这便是本系统的算法核心思想。这套机制可以类比为生物的进化机制,生物的个体是不断进行着生老病死,但是整个生物种群却不断的发展壮大。策略亦如是,单个策略都有自己的运行有效环境,但是策略组的不断进化,实现了长期稳定的运行。
因此,本发明的一种股票交易策略仿生与进化算法的方法,结通过将交易者的各种思想、需求和意愿,进行参数化分类,然后通过一个策略向导界面,让交易者自行创建策略,再对策略进行大量数据的回测计算,得到一个满意的结果,然后将这一揽子参数、数据组合和计算结果保存成策略。
附图说明
图1是本发明步骤(二)中品种标的DNA编码结构定义;
图2是本发明中策略创建及仿生化原理图;
图3是本发明中的策略进化原理。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例1:如图所示,一种股票交易策略仿生与进化算法的方法,按以下步骤进行:
(一)、策略创建及仿生化:
A,创建品种个性化数据库:按照每个品种的特征创建个性化的数据库,这里的特征是指行业属性、波动率、财务;再使用通用化的算法,这里的算法是指趋势算法、通道算法、网格算法;这种个性化数据特征与通用化算法结合,从而大大提高市场预测的准确性。
B,创建策略群:按照不同算法和不同品种,组合成不同的策略从而形成一个策略群;
C,创建进化机制:根据市场的混沌变化,策略群会进行自我演化,把性能表现好的自动排在前面,并且剔除性能表现差的。从而实现优胜略汰和策略群的自我进化;
D,每个策略通过深度学习算法不断提高自我市场环境适应性;
通过如上几个因素,实现了策略系统的仿生化;
(三)、策略自我学习:
由于上市公司的各自属性(行业、财务)不同而反映到价格走势各不相同,但同时又具有个股和指数关联性的一面,另外,不同类别的品种其波动性形态各异,例如:蓝筹股波动相对平缓,而创业板巨幅震荡;
如何把握不同品种的无常变化,采用形态分类、财务分类;我们把每个策略所对应的所有品种,进行大量的训练,最后得出一个满意的结果,然后把这些训练结果进行打分并作为“DNA”保存下来;
实际交易中,再根据市场的实时变化来自动适应当先表现好的策略进行交易;这样便实现了策略自学习功能,大大减轻了人工进行筛选调整的工作量:
(三)、首先对每一项因子进行公式化的定义:
财务因子 其中PE代表市盈率、PV代表市净率、PS代表市收率、PC代表实现率,对这些进行均权重的运算,得到财务因子值;行业因子 其中AVG_PEx,代表行业平均市盈率,MARKET_EMOTIONx代表行业情绪;
其中INDEX_MARKET_EMOTIONx代表市场整体情绪,INDEX_AVG_PEx代表市场整体市盈率;
价格波动因子(ATR)=BMTR:MAX(MAX((HIGH-LOW),ABS(REF(CLOSE,1)-HIGH)),ABS(REF(CLOSE,1)-LOW));ATR:EMA(BMTR,N);
事件因子(NLP_FACTOR)=NLP_KEY_POINT(0或者1);即使用NLP自然语言分析模块对该上市公司的重大事件进行分析,得出此事件对价格的影响(1-有影响,0-无影响);
如上所示,使用权威机构评级摘要数据(买入、推荐、中性、负面、卖出)对事件进行计算得出相关因子;
如上因子形成每个品种的属性,我们称呼其为“DNA”,但是这些属性对市场价格的影响并不能使用简单的线性数学公式对其进行运算;而使用概率统计对其影响进行统计,得出每个因子对价格涨跌影响的概率值,依次公式对后续市场走势作出预测,即典型的贝叶斯公式,如下:
其他因子对趋势形成的概率计算公式依此类推;
(五)、策略群组的进化:
包括群组形成、打分排序、定期优胜略汰、群组表现评估、反馈自我强化和环境自适应;
①群组形成:相比单个策略,我们把具有某种属性的多个策略创建成一个策略组,也就是策略群组;交易者众所周知,任何一个策略,都有其失效期,但是作为关联度不大(比如趋势与震荡,银行与半导体)的策略组合,在市场上更加具有抗风险性;
②打分排序:每个策略有一系列属性,比如胜率、收益率、回撤率,我们把这些属性通过一个加权运算,得到一个综合评分,最后对策略群组的所有策略进行评分排名,还可以对不同群组策略进行排名;
③定期优胜略汰:当对每个策略群组的所有策略进行定期打分排名后,保留前N名,剔除后N名;并且定期进行这样的排序和优胜略汰,形成策略群体的不断进化;
④群组表现评估:对群组进行综合打分,同时根据群组的历史性能表现曲线,进行评估,得到一个整体表现;
⑤反馈自我强化:根据每个交易标的,通过自我学习,得到交易标的DNA;根据每个群组,通过自我学习,得到群组DNA;标的和群组按照DNA运行阶段,还可以根据实际的环境进行自我反馈从而进行自我修复和优势不断强化;
⑥环境自适应:外界环境的千变万化,生物往往不能准确自我预测,比如自然灾害、金融灾害、战争;因此个体对于环境无法做出及时的自我调整,而一个群体内个体的丰富差异,会随着环境的变化而演化,实现自然选择和优胜略汰,从而让这个群体实现了环境自适应并且不断发展壮大;而对于交易策略也是类似,市场的变化无常,最好的办法是群体策略演化,通过个体策略的不断调整优胜略汰来适应;而我们之前的策略群组内部的定期打分排序功能,便具有环境自适应能力;
⑦策略模拟训练:该部分功能分为,单品种单策略的训练,多品种单策略的训练,群组策略训练,训练功能可以设置为全自动交易,以提高用户的感受体验,同时做好风险控制;
⑧策略实盘运行:给予策略模拟训练,交易者对自己的策略体系熟悉以后,最后得到人机结合,就可以开始实盘交易运行;实盘交易可以分为,单品种单策略交易、多品种单策略的训练,群组策略训练;交易模式可以设置为半自动交易和全自动交易。
Claims (1)
1.一种股票交易策略仿生与进化算法的方法,其特征在于按以下步骤进行:
(一)、策略创建及仿生化:
A,创建品种个性化数据库:按照每个品种的特征创建个性化的数据库,这里的特征是指行业属性、波动率、财务;再使用通用化的算法,这里的算法是指趋势算法、通道算法、网格算法;这种个性化数据特征与通用化算法结合,从而大大提高市场预测的准确性。
B,创建策略群:按照不同算法和不同品种,组合成不同的策略从而形成一个策略群;
C,创建进化机制:根据市场的混沌变化,策略群会进行自我演化,把性能表现好的自动排在前面,并且剔除性能表现差的。从而实现优胜略汰和策略群的自我进化;
D,每个策略通过深度学习算法不断提高自我市场环境适应性;
通过如上几个因素,实现了策略系统的仿生化;
(二)、策略自我学习:
由于上市公司的各自属性不同而反映到价格走势各不相同,这里的各自属性是指行业、财务;但同时又具有个股和指数关联性的一面,另外,不同类别的品种其波动性形态各异,例如:蓝筹股波动相对平缓,而创业板巨幅震荡;
如何把握不同品种的无常变化,采用形态分类、财务分类;我们把每个策略所对应的所有品种,进行大量的训练,最后得出一个满意的结果,然后把这些训练结果进行打分并作为“DNA”保存下来;
实际交易中,再根据市场的实时变化来自动适应当先表现好的策略进行交易;这样便实现了策略自学习功能,大大减轻了人工进行筛选调整的工作量:
(三)、首先对每一项因子进行公式化的定义:
其中INDEX_MARKET_EMOTIONx代表市场整体情绪,INDEX_AVG_PEx代表市场整体市盈率;
价格波动因子(ATR)=BMTR:MAX(MAX((HIGH-LOW),ABS(REF(CLOSE,1)-HIGH)),ABS(REF(CLOSE,1)-LOW));ATR:EMA(BMTR,N);
事件因子(NLP_FACTOR)=NLP_KEY_POINT(0或者1);即使用NLP自然语言分析模块对该上市公司的重大事件进行分析,得出此事件对价格的影响(1-有影响,0-无影响);
如上所示,使用权威机构评级摘要数据(买入、推荐、中性、负面、卖出)对事件进行计算得出相关因子;
如上因子形成每个品种的属性,我们称呼其为“DNA”,但是这些属性对市场价格的影响并不能使用简单的线性数学公式对其进行运算;而使用概率统计对其影响进行统计,得出每个因子对价格涨跌影响的概率值,依次公式对后续市场走势作出预测,即典型的贝叶斯公式,如下:
其他因子对趋势形成的概率计算公式依此类推;
(四)、策略群组的进化:
包括群组形成、打分排序、定期优胜略汰、群组表现评估、反馈自我强化和环境自适应;
①群组形成:相比单个策略,我们把具有某种属性的多个策略创建成一个策略组,也就是策略群组;交易者众所周知,任何一个策略,都有其失效期,但是作为关联度不大(比如趋势与震荡,银行与半导体)的策略组合,在市场上更加具有抗风险性;
②打分排序:每个策略有一系列属性,比如胜率、收益率、回撤率,我们把这些属性通过一个加权运算,得到一个综合评分,最后对策略群组的所有策略进行评分排名,还可以对不同群组策略进行排名;
③定期优胜略汰:当对每个策略群组的所有策略进行定期打分排名后,保留前N名,剔除后N名;并且定期进行这样的排序和优胜略汰,形成策略群体的不断进化;
④群组表现评估:对群组进行综合打分,同时根据群组的历史性能表现曲线,进行评估,得到一个整体表现;
⑤反馈自我强化:根据每个交易标的,通过自我学习,得到交易标的DNA;根据每个群组,通过自我学习,得到群组DNA;标的和群组按照DNA运行阶段,还可以根据实际的环境进行自我反馈从而进行自我修复和优势不断强化;
⑥环境自适应:外界环境的千变万化,生物往往不能准确自我预测,比如自然灾害、金融灾害、战争;因此个体对于环境无法做出及时的自我调整,而一个群体内个体的丰富差异,会随着环境的变化而演化,实现自然选择和优胜略汰,从而让这个群体实现了环境自适应并且不断发展壮大;而对于交易策略也是类似,市场的变化无常,最好的办法是群体策略演化,通过个体策略的不断调整优胜略汰来适应;而我们之前的策略群组内部的定期打分排序功能,便具有环境自适应能力;
⑦策略模拟训练:该部分功能分为,单品种单策略的训练,多品种单策略的训练,群组策略训练,训练功能可以设置为全自动交易,以提高用户的感受体验,同时做好风险控制;
⑧策略实盘运行:给予策略模拟训练,交易者对自己的策略体系熟悉以后,最后得到人机结合,就可以开始实盘交易运行;实盘交易可以分为,单品种单策略交易、多品种单策略的训练,群组策略训练;交易模式可以设置为半自动交易和全自动交易。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110301777.1A CN112884583A (zh) | 2021-03-22 | 2021-03-22 | 一种股票交易策略仿生与进化算法的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110301777.1A CN112884583A (zh) | 2021-03-22 | 2021-03-22 | 一种股票交易策略仿生与进化算法的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884583A true CN112884583A (zh) | 2021-06-01 |
Family
ID=76041615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110301777.1A Pending CN112884583A (zh) | 2021-03-22 | 2021-03-22 | 一种股票交易策略仿生与进化算法的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884583A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670413A (zh) * | 2023-12-13 | 2024-03-08 | 中教畅享科技股份有限公司 | 一种基于市场人群行为的市场预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809270A (zh) * | 2016-01-05 | 2016-07-27 | 淮海工学院 | 基于区间多目标规划的证券投资组合进化优化方法 |
CN106557979A (zh) * | 2016-11-23 | 2017-04-05 | 广州盛星元信息科技有限公司 | 基于gpu加速及并行遗传算法的金融数据分析方法及平台 |
CN107133874A (zh) * | 2017-05-27 | 2017-09-05 | 武汉优品鼎盛科技服务有限公司 | 一种基于遗传规划的量化策略生成系统 |
CN107437227A (zh) * | 2017-08-17 | 2017-12-05 | 天弘基金管理有限公司 | 股票投资分析装置与方法 |
CN107798609A (zh) * | 2017-11-08 | 2018-03-13 | 上海宽全智能科技有限公司 | 量化交易策略生成方法与装置、设备及存储介质 |
-
2021
- 2021-03-22 CN CN202110301777.1A patent/CN112884583A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809270A (zh) * | 2016-01-05 | 2016-07-27 | 淮海工学院 | 基于区间多目标规划的证券投资组合进化优化方法 |
CN106557979A (zh) * | 2016-11-23 | 2017-04-05 | 广州盛星元信息科技有限公司 | 基于gpu加速及并行遗传算法的金融数据分析方法及平台 |
CN107133874A (zh) * | 2017-05-27 | 2017-09-05 | 武汉优品鼎盛科技服务有限公司 | 一种基于遗传规划的量化策略生成系统 |
CN107437227A (zh) * | 2017-08-17 | 2017-12-05 | 天弘基金管理有限公司 | 股票投资分析装置与方法 |
CN107798609A (zh) * | 2017-11-08 | 2018-03-13 | 上海宽全智能科技有限公司 | 量化交易策略生成方法与装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670413A (zh) * | 2023-12-13 | 2024-03-08 | 中教畅享科技股份有限公司 | 一种基于市场人群行为的市场预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jasemi et al. | A modern neural network model to do stock market timing on the basis of the ancient investment technique of Japanese Candlestick | |
US7877308B1 (en) | Method and system for using risk tolerance and life goal preferences and rankings to enhance financial projections | |
Lee et al. | Pattern discovery of fuzzy time series for financial prediction | |
de Oliveira et al. | The use of artificial neural networks in the analysis and prediction of stock prices | |
Moon et al. | A fuzzy set theory approach to national composite S&T indices | |
Ivanyuk | Econometric forecasting models based on forecast combination methods | |
Patni et al. | Air quality prediction using artificial neural networks | |
CN115796936A (zh) | 一种基于组合模型的卷烟销量预测方法、系统及存储介质 | |
CN112884583A (zh) | 一种股票交易策略仿生与进化算法的方法 | |
Baboshkin et al. | Multi-source model of heterogeneous data analysis for oil price forecasting | |
Seker et al. | Investigation the effect of Covıd-19 pandemic in the sales for online education using machine learning methods | |
Joseph | Deep learning model for predicting stock prices in Tanzania | |
US20230297037A1 (en) | Intellectual quality management method, electronic device and computer readable storage medium | |
Gu et al. | Stock prediction based on news text analysis | |
Ge et al. | Single stock trading with deep reinforcement learning: A comparative study | |
Akberdina et al. | Application of the committee machine method to forecast the movement of exchange rates and oil prices | |
Lin et al. | Genetic algorithms for robust optimization in financial applications | |
Udagawa | Dynamic Programming Approach to Retrieving Similar Candlestick Charts for Short-Term Stock Price Prediction | |
Becker et al. | Genetic programming for quantitative stock selection | |
Bineshian et al. | The Role of Biased Behavior based on Economic Behavior and Financial Intelligence on the Process of Investment Decisions | |
Poženel et al. | Discovering language of the stocks | |
Arora et al. | Committees and decision making | |
Rohilla et al. | Sentiment Driven Reinforcement Learning Trading Strategies to Enhance Market Performance | |
Boonrawd et al. | Thailand Stock Index Forecasting Based on Multiple Data Sources Using RNN-LSTM Approach | |
McHugh et al. | Technical Indicators and Prediction for Energy Market Forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |
|
RJ01 | Rejection of invention patent application after publication |