Выше уже отмечалось, что интеллектуальный анализ данных появился в результате симбиоза средств вычислительной техники, программных технологий и математических методов. В НАД используются как сравнительно новые подходы, такие как генетические алгоритмы, нейронные сети, нечеткие множества, так и вполне традиционные, имеющие длительную историю развития, такие как статистика, деревья и таблицы решений. Хотя между этими методами не всегда можно установить точный водораздел (так, генетические алгоритмы используют статистические оценки и правила вывода, то же можно сказать и о деревьях решений и нечеткой логике и т.д.), но все же границы между ними существуют. Этого нельзя сказать о границах использования различных методов в приложении. Анализ одной и той же ситуации может быть произведен различными методами и> что очень важно, результаты анализа, проведенные одним методом, могут сильно отличаться от результатов анализа той же ситуации, проведенного другим методом. Выбор метода всегда определяется специалистом. [c.274]
Считается, что генетический алгоритм реализует принцип естественного отбора в природе. Так оно и происходит, но не совсем так, как в природе. Ведь в действительности мы многого не знаем о том, как природа осуществляет этот принцип. [c.189]
Технологии, о которых идет речь, основываются на нелинейных методах анализа экономической и финансовой информации. В условиях возрастающей неуправляемости мировых процессов в финансовой сфере традиционные (читай, линейные) методы все чаще оказываются неспособными распознать ключевые переломы в тенденциях рынка. Так было, например, в случаях с крахом фондового рынка в 1987 году или началом глубокого спада в экономике Великобритании. Разочарование в этих методах заставило вспомнить о некогда казавшейся невероятной идее, согласно которой изменение рыночных показателей во времени не есть чисто случайное блуждание, а размеры ожидаемых доходов и/или характеристики неустойчивости (волатильности) можно пытаться находить при помощи более мощных методов. Общей чертой новых методов является возможность распознавания образов и вывода обобщающих правил. Существенными составными частями нового подхода являются нейронные сети (сети компьютерных процессоров, взаимодействие которых построено по образцу процессов обучения, происходящих в человеческом мозге) и генетические алгоритмы (методы, в которых, исходя из большого набора первоначальных предположений, вырабатывают все более правильные представления о поведении рынка и, в конечном счете, более содержательные рабочие гипотезы). Про методы обоих видов говорят, что они управляются данными, в противоположность подходу, основанному на применении правил, который принят в экспертных системах. Системы, основанные на знаниях, обладают тем недостатком, что построенные на их основе методы торговли оказываются довольно негибкими. Наконец, совершенно новый взгляд на мир предлагает теория динамических систем или теория хаоса. С ее помощью в явлениях, ранее считавшихся случайными, удается обнаружить порядок или некоторую структуру. Основное предположение здесь состоит в том, что поведение системы есть результат множества нелинейных взаимодействий, вследствие чего даже небольшое изменение начальных данных может привести к совершенно другому дальнейшему поведению системы. Благодаря [c.13]
Здесь необходимо отметить также, что как нейронные сети, так и генетические алгоритмы, деревья и таблицы решений являются не только средством интеллектуального анализа данных, но и являются также средством генерации решений, особенно при решении оптимизационных задач, примеры применения которых рассмотрены в третьей части книги. [c.281]
Нечеткие множества, нечеткая логика, генетические алгоритмы и нейронные сети являются принципиальными компонентами так называемых мягких вычислений , лежащих в основе многих интеллектуальных систем и позволяющих решать оптимизационные задачи в нечеткой обстановке[8.5, 8.9, 8.10], в том числе и многокритериальные. В результате удается избежать излишних вычислительных затрат ( комбинаторного взрыва ) с ростом размерности задач, что особенно характерно для многих управленческих задач нефтегазовой отрасли, [c.291]
Первое издание было осуществлено в. 1990 г. с тех пор многое изменилось. Были изучены новые концепции, внедрены различные нелинейные технологии. Ввиду того что назначение книги как общего введения в проблему остается неизменно полезным, а эмпирический материал убедительным, явилась идея дополнить ее описаниями недавних достижений. Однако я был поставлен перед выбором. Я уже написал вторую книгу — Фрактальный анализ рынка , которая была более методична, чем Хаос и порядок на рынках капитала . Во Фрактальном анализе рынка я обсуждал более всесторонние тесты, чем те, что были доступны в 1990 г. Если бы я включил их во второе издание Хаоса и порядка , то оно стало бы копией другой книги. В то же время я хотел затронуть новые технологии, такие, как генетические алгоритмы и нечеткая логика, и их подробное обсуждение сделало бы книгу слишком длинной, громоздкой. [c.11]
Практики часто используют названные методы в комбинации. Это значит, что они создают гибридные системы. Генетические алгоритмы могут быть использованы для оптимизации нечетких правил или параметров нейронных сетей. Нечеткие правила могут определять параметры нейронной сети. Существует много комбинаций такого рода. [c.249]
Генетические оптимизаторы являются стохастическими в том смысле, что они используют в работе случайные числа. Может показаться невероятным, что бросание кубиков помогает решать задачи, но при правильном подходе это так Кроме случайности генетические оптимизаторы используют отбор и комбинирование. Продуманная интеграция случая, отбора и комбинации — причина успешной работы генетических оптимизаторов. Полное обсуждение генетических алгоритмов, служа- [c.53]
Мы разрабатываем множество систем с использованием генетических алгоритмов. Популярной функцией пригодности системы (степени достижения желаемого результата) является общая прибыль системы. Но при этом общая прибыль не является лучшим из критериев качества системы Система, которая использует только крупные обвалы рынка S P 500, например, даст очень высокую общую прибыль и очень высокий процент прибыльных сделок, но кто может с уверенностью утверждать, что такая система полезна в практической торговле Если система провела всего 2 — 3 сделки за 10 лет, чисто интуитивно нельзя ожидать ее стабильной работы в будущем или быть уверенным, что система вообще сможет совершать сделки. Частично проблема в том, что общая прибыль никак не учитывает количество сделок и их изменчивость. [c.85]
Альтернативными показателями пригодности, лишенными некоторых недостатков общей прибыли, являются t-критерий и связанная с ним вероятность. При использовании t-критерия как функции пригодности (вместо простого поиска наиболее выгодного решения) смысл генетического развития систем состоит в создании систем с максимальной вероятностью прибылей в будущем или, что то же самое, с минимальной вероятностью прибылей, обусловленных случайностью или подгонкой под исторические данные. Этот подход работает весьма хорошо t-критерий учитывает прибыль, размер выборки данных и количество совершенных сделок. Хотя все факторы важны, все же, чем больше сделок совершает система, тем выше t-показатель и больше вероятность устойчивости в будущем. Таким же образом, системы, которые дают более стабильные сделки с минимальным разбросом, будут иметь лучший t-показатель и предпочтительнее систем, где разброс сделок велик. T-критерий включает в себя многие из параметров, определяющих качество торговой модели, и сводит их в одно число, для оптимизации которого можно применить генетический алгоритм. [c.85]
Существует большое количество способов гранулирования носителя (выделения ряда нечетких классов), в том числе с помощью генетических алгоритмов [30]. Качество построенного таким образом классификатора существенно зависит от квалификации эксперта, потому что вполне формализованных методов перехода от набора гистограмм к классификатору не существует. Очень многое в этом смысле является предметом эвристики и интуиции. Некоторые простейшие приемы такого перехода изложены в главе 1 и проиллюстрированы на примере. [c.42]
Для преодоления перечисленных проблем делаются попытки применения таких разделов современной фундаментальной и вычислительной математики, как нейрокомпьютеры, теория стохастического моделирования (теория хаоса), теория рисков, теория катастроф, синергетика и теория самоорганизующихся систем (включая генетические алгоритмы) [123, 134]. Считается, что эти методы позволят увеличить глубину прогноза за счет выявления скрытых закономерностей и взаимосвязей среди плохо формализуемых обычными методами макроэкономических, политических и глобальных финансовых показателей. [c.7]
Важным недостатком генетических алгоритмов является сложность для понимания и программной реализации. Однако преимуществом является эффективность в поиске глобальных минимумов адаптивных рельефов, так как в них исследуются большие области допустимых значений параметров нейронных сетей. Другая причина того, что генетические алгоритмы не застревают в локальных минимумах - случайные мутации, которые аналогичны температурным флуктуациям метода имитации отжига. [c.67]
Поскольку генетические оптимизаторы столь эффективны, мы не столкнулись с необходимостью широко исследовать оптимизаторы, основанные на моделировании отжига. Кроме того, поступали сообщения, что во многих случаях алгоритмы отжига уступают генетическим, таким образом, не было необходимости давать примеры метода моделирования отжига и рассматривать его далее. [c.57]
Хаос не относится к разряду беспорядочных структур. Скорее, истинно обратное. Хаос - более высокая форма порядка, где случайность и бессистемные импульсы становятся организующим принципом скорее, нежели более традиционные причинно-следственные отношения в теориях Ньютона и Евклида. Поскольку природа человека и его мозг хаотичны, рынки, являясь продуктом природы и отражающие мышление человека, также представляют собой хаотичные процессы. Пришло время признать, что наше традиционное обучение дает трейдерам неверное представление и неправильные логические картосхемы. Независимо от того, какого уровня сложности применяется линейная математика, с ее преобразованиями Фурье, ортогональными функциями, методами регрессии, или за-действуется искусственный интеллект, нейронные сети, генетические алгоритмы и так далее. Все это неизбежно вводит в заблуждения трейдеров на кардинально нелинейных рынках. Рынки -порождения Хаоса. [c.34]
Типично для школы Санта-Фе, Палмер (Palmer) и др. [329,21,258] моделируют трейдеров как, так называемые "генетические алгоритмы", которые являются программными созданиями, маскирующимися под адаптивные и развивающиеся биологические гены, которые конкурируют за выживание и репликацию. Эти интеллектуальные алгоритмы делают предсказания о будущем, покупают и продают акции в соответствии с их ожиданиями будущего риска и дохода. При определенных характеристиках определено, что эти компьютерные агенты способны коллективно обучаться, чтобы создавать гомогенное рациональное равновесие ожиданий, то есть динамически обнаруживать экономическое равновесие, воображаемое чисто теоретическими экономистами. В этом высоко конкурентном искусственном мире, ген-трейдер, решающий сделать себе "каникулы" теряет свою "рубашку" при возвращении назад, на арену рынка акций, потому что он больше не приспособлен к новым структурам, которые были развиты рынком в его отсутствии Фармер (Farmer)[123] упростил этот подход, используя аналогию между финансовыми рынками и экологией стратегий. Во множестве примеров, он показывает, что разнообразие появляется автоматически, поскольку новые стратегии эксплуатируют неэффективность старых стратегий. [c.138]
В последнее десятилетие можно было наблюдать возникновение новых количественных методов, полезных для маркетинга. Многие из них радикально отходят от традиционного статистического подхода к построению моделей. Такие методики, как симулированная закалка, генетические алгоритмы и нейросети используют для поиска решений идеи из природы. Основное применение этих методик — приблизительная оценка и оптимизация маркетинговых моделей. Базовые проблемы остаются теми же самыми, но новые методики позволяют анализировать сложные проблемы и находить лучшие решения, чем раньше. Хотя они требуют интенсивного использования компьютера, стоимость этого использования снижается так быстро, что скоро, по всей вероятности, они станут широко распространенными. Д. Коутс и др. ( oates et al, 1994) дают обзор некоторых из этих новых методов, а их краткое описание помещено в табл. 6. [c.111]
Процесс построения этих программ осуществляется как эволюция программ, этим метод отчасти похож на генетические алгоритмы. Затем в полученную программу вносятся некоторые модификации с применением методов так называемых обобщающих преобразований, гарантирующих, что потомки будут описывать анализируемый набор данных не хуже, чем исходная "родительская" программа. Таким образом формируется популяция программ, конкурирующих в точности выражения исходной зависимости. Из популяции выделяются растущие, постепенно усложняющиеся генетические линии. Для контроля статистической значимости применяется рандомизированное тестирование. [c.130]
Макрос BiasedPosS ale (x, а) используется для создания соответствия между целыми числами от 0 до 1000 и непрерывным диапазоном от 0 до а. Макрос используется, чтобы вычислить периоды обратного обзора для определения ценовых экстремумов и периоды скользящих средних v2, v3 или v4, значения которых получены из генетического алгоритма и пронумерованы целыми числами от 0 до 1000. Соответствие между номерами от 1 до 1000 и числами из диапазона от 0 до а нелинейно — оно устроено так, чтобы можно было более детально исследовать меньшие значения параметров. Например, предположим, что период скользящего среднего изменяется от 2 до 100 дней. Необходимо с одинаковой точностью производить выбор лучшего решения между периодами 2, 3 и 4 и периодами 30, 50 и 90. Точность поиска должна быть выше для маленьких чисел. Это связано с тем, что изменение периода скользящего среднего от 2 до 5 дней сильнее повлияет на результаты торговли, чем изменение от 50 до 60. [c.293]
Размножение (Reprodu tion). Процедура, применяемая в генетических алгоритмах, в которой решение задачи или родители выбираются из популяции решений с использованием процедуры случайного выбора. Выбор родителей осуществляется с определенными предпочтениями, так что родители с наивысшими оценками размножаются с максимальной вероятностью. Потомки образуются в результате копирования родителей, и родители возвращаются в популяцию. [c.312]
Смотреть страницы где упоминается термин Что такое генетические алгоритмы
: [c.188] [c.251] [c.218] [c.163] [c.54]Смотреть главы в:
Энциклопедия торговых стратегий -> Что такое генетические алгоритмы