In dieser Arbeit wird die Genetische Programmierung angewendet, um Handelssysteme für den EUR/USD-Währungsmarkt auf Basis von Intraday Kursdaten zu entwickeln. Neben den Kursdaten werden verschiedene gleitende Durchschnitte der Kursdaten als Eingabe verwendet.
Der entwickelte Evolutionäre Algorithmus baut auf dem Framework ECJ auf. Die erzeugten Handelssysteme werden durch eine Handelssimulation im Rahmen der Fitnessfunktion bewertet. Die Genetischen Operatoren sind angepasst worden, um sog. Knotengewichte zu unterstützen. Durch die Knotengewichte soll einerseits die Makromutation eingedämmt, andererseits die Interpretierbarkeit der erzeugten Handelssysteme verbessert werden.
Die erzielten Resultate der Experimente zeigen, dass die erzeugten Handelssysteme offenbar erfolgreich in der Lage sind, in den Kursdaten enthaltene Informationen gewinnbringend zu nutzen. Durch die Bestimmung der optimalen Positionsgröße werden die mit den erzeugten Handelssystemen erzielten Gewinne optimiert. Bei Einhaltung der Mindestanlagedauer sind die so erzielten Ergebnisse auch hinsichtlich der verwendeten risikoadjustierten Kennzahl optimal.
Inhaltsverzeichnis
1 Einführung
1.1 Motivation
1.2 Ziel und Aufbau
2 Grundlagen und Stand der Technik
2.1 Genetische Programmierung
2.1.1 Aufbau eines Programms
2.1.2 Initialisierung der GP Population
2.1.3 Die Genetischen Operatoren
2.1.4 Fitness Funktion
2.1.5 Selektion
2.1.6 Ablauf des GP Algorithmus
2.1.7 Crossover, Building Blocks und Schemata
2.1.8 Ansätze gegen Makromutation
2.1.9 Modularisierung
2.1.10 Weitere Verbesserungsansätze
2.2 Künstliche Neuronale Netze
2.2.1 Bestandteile neuronaler Netze
2.2.2 Netztopologien
2.2.3 Lernmethoden
2.3 Handelssysteme
2.3.1 Tape Reader
2.3.2 Market Timing
2.3.3 Position Sizing
2.3.4 Vergleich von Handelssystemen
2.3.5 Fundamentale versus Technische Analyse
2.3.6 Der Währungsmarkt
2.3.7 Entwicklungsansätze für Handelssysteme in der Literatur
3 Entwurf
3.1 Überblick
3.2 Anforderungen an die Software
3.3 Konzeption der Software
3.3.1 Der Evolutionäre Algorithmus
3.3.2 Die Fitness-Funktion
4 Implementierung
4.1 Komponenten der entwickelten Software
4.2 Klassen des Kursdatenservers
4.3 Klassen des Evolutionären Algorithmus
4.4 Übersicht über das Framework ECJ
4.5 Probleme während der Experimente
5 Versuchsergebnisse
5.1 Resultate mit Knotengewichten
5.1.1 Resultate des Trainingszeitraums
5.1.2 Resultate des Validierungszeitraums
5.1.3 Resultate des Testzeitraums
5.1.4 Resultate als Monatsrenditen
5.1.5 Erzeugte Handelsregeln
5.2 Resultate ohne Knotengewichte
5.2.1 Resultate des Trainingszeitraums
5.2.2 Resultate des Validierungszeitraums
5.2.3 Resultate des Testzeitraums
5.2.4 Resultate als Monatsrenditen
5.2.5 Erzeugte Handelsregeln
5.3 Bestimmung und Anwendung von Optimal f
6 Diskussion und Bewertung
6.1 Ausblick
7 Zusammenfassung
Zielsetzung & Themen
Das primäre Ziel dieser Arbeit ist die Entwicklung und Evaluation eines Softwaresystems, das Genetische Programmierung (GP) nutzt, um profitable Handelssysteme für den Finanzmarkt, insbesondere für den Währungsmarkt (EUR/USD), zu generieren. Die Forschungsarbeit konzentriert sich dabei auf die Optimierung von Handelsregeln anhand historischer Kurszeitreihen unter Berücksichtigung von Risiko- und Performance-Metriken.
- Entwurf eines evolutionären Entwicklungssystems für automatisierte Handelssysteme (EVAM).
- Einsatz von Genetischer Programmierung zur automatischen Erstellung von Handelsregeln.
- Implementierung von Knotengewichten zur Steuerung von Crossover/Mutation und zur Verbesserung der Interpretierbarkeit.
- Validierung der Systeme mittels historischer Simulation (Backtesting) und Anwendung des "Optimal f"-Ansatzes für das Positionsmanagement.
Auszug aus dem Buch
1.1 Motivation
Die natürliche Evolution hat sich zur Erzeugung und Anpassung von Lebewesen an eine sich ändernde Umgebung als höchst erfolgreicher Mechanismus herausgestellt. Ohne bestimmte Anweisungen oder auch nur genaue Zieldefinitionen zu erhalten, ist es ihr gelungen, raffinierte Lösungen für Probleme der realen Welt zu finden.
Ein Ansatz, die in der natürlichen Evolution steckende kreative Kraft zur automatischen Entwicklung von Computer-Programmen zu verwenden, ist die Genetische Programmierung (GP) (vgl. (Koz92, Kapitel 1-6)). Mit ihr wird versucht, Mechanismen der natürlichen Evolution nachzuahmen, um automatisch Programme zu erzeugen, die ein gegebenes Problem lösen. GP ist in einer Reihe von Anwendungen sowohl zum Lösen mathematischer Probleme als auch zum Beheben von Problemen der realen Welt erfolgreich angewandt worden.
Das maschinelle Lernen mittels GP kann als ein heuristischer Suchalgorithmus interpretiert werden, der in der Menge aller möglichen Programme diejenigen sucht, die das gegebene Problem am besten lösen. Da der Suchraum je nach gegebenem Problem sehr groß und oft weder stetig noch differenzierbar ist, eignet sich der Suchraum aller möglichen Programme schlecht für klassische Suchalgorithmen (vgl. (LP02, S. 2f)).
Das Anwendungsgebiet der GP in dieser Arbeit ist die Erzeugung von Handelssystemen für den Finanzmarkt, insbesondere für den Währungsmarkt. An den Finanzmärkten handeln erfolgreiche spekulative Händler gewöhnlich aufgrund gewisser Regelwerke. Diese Regelwerke sind jedoch relativ starker individueller Interpretation unterworfen. Bei genauer Betrachtung fällt auf, dass Händler die Regeln, nach denen sie zu handeln meinen, in entscheidenden Situationen beugen und gewissermaßen nach ihrem „Bauchgefühl“ handeln. Evtl. unterscheidet dieser Anteil an intuitivem Handeln einen erfahrenen profitablen Händler von einem unerfahrenen unprofitablen Händler.
Zusammenfassung der Kapitel
1 Einführung: Erläutert die Motivation für den Einsatz Genetischer Programmierung im Handel und definiert das Ziel der Arbeit sowie den Aufbau des Systems.
2 Grundlagen und Stand der Technik: Vermittelt die theoretischen Grundlagen zu Evolutionären Algorithmen, Genetischer Programmierung, Künstlichen Neuronalen Netzen sowie spezifischen Aspekten von Handelssystemen.
3 Entwurf: Beschreibt das Konzept des Entwicklungssystems EVAM, die Anforderungen und die Konzeption der Software sowie die Fitness-Funktion.
4 Implementierung: Detailliert die technische Realisierung der Applikationen, der Kursdatenverarbeitung und die Einbindung des ECJ-Frameworks für den Evolutionären Algorithmus.
5 Versuchsergebnisse: Präsentiert die Resultate der Experimente sowohl mit als auch ohne Knotengewichte und analysiert die Performance im Trainings-, Validierungs- und Testzeitraum.
6 Diskussion und Bewertung: Diskutiert die erzielten Ergebnisse, bewertet die Wirksamkeit der Knotengewichte und gibt einen Ausblick auf zukünftige Erweiterungsmöglichkeiten.
7 Zusammenfassung: Fasst die wesentlichen Erkenntnisse der Arbeit und die Erfolge bei der Anwendung der Genetischen Programmierung auf Finanzmarktdaten zusammen.
Schlüsselwörter
Genetische Programmierung, Handelssysteme, Finanzmarkt, Währungsmarkt, Evolutionäre Algorithmen, Knotengewichte, Backtesting, Optimal f, Performance-Analyse, Automatisierte Handelssysteme, Technische Analyse, EUR/USD, Maschinenlernen, Regelbasierte Systeme, Risikomanagement.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die Anwendung Genetischer Programmierung zur automatischen Erstellung und Optimierung von Handelsregeln auf Finanzmarktdaten.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen Evolutionäre Algorithmen, algorithmisches Trading, die Analyse historischer Kursdaten und das Risikomanagement mittels Positionsbestimmung.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist der Entwurf eines Systems, das profitable Handelssysteme entwickelt, die sich an Marktveränderungen anpassen können und eine bessere Interpretierbarkeit bieten als herkömmliche "Black-Box"-Ansätze.
Welche wissenschaftliche Methode wird verwendet?
Es wird Genetische Programmierung (GP) als Hauptmethode verwendet, unterstützt durch historische Simulation, statistische Performance-Analyse und den Ansatz der "Knotengewichte" zur Regelsteuerung.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in den Entwurf des Systems, die technische Implementierung in Java unter Nutzung des ECJ-Frameworks und die detaillierte Auswertung der Experimente unter verschiedenen Konfigurationen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich durch Begriffe wie Genetische Programmierung, Handelssysteme, Währungsmarkt, Knotengewichte, Backtesting und Optimal f definieren.
Was genau bewirken die "Knotengewichte" in diesem Modell?
Knotengewichte dienen als Steuerungsmechanismus für genetische Operatoren (Crossover/Mutation) innerhalb des Programmbaums, um einerseits die Makromutation zu dämmen und andererseits die Interpretierbarkeit der Regeln zu erhöhen.
Warum wird der Währungsmarkt (EUR/USD) als Fallbeispiel gewählt?
Der Markt zeichnet sich durch hohe Liquidität, geringe Transaktionskosten, Skalierbarkeit der Positionsgrößen und das Fehlen einer "Buy-and-Hold"-Strategie aus, was ihn besonders für die Entwicklung aktiver Handelssysteme prädestiniert.
Warum wird das Verfahren des "schrittweisen Rollens" über Zeiträume eingesetzt?
Da sich Märkte dynamisch verändern, ermöglicht dieses Verfahren dem evolutionären System, periodisch neue Handelssysteme zu generieren, um auf aktuelle Marktbedingungen flexibel zu reagieren.
- Citar trabajo
- Holger Hartmann (Autor), 2007, Entwicklung von Handelssystemen mittels Genetischer Programmierung anhand eines Fallbeispiels, Múnich, GRIN Verlag, https://www.grin.com/document/186383
