遗传算法在股票投资技术分析中的应用.pdf

《遗传算法在股票投资技术分析中的应用.pdf》由会员分享，可在线阅读，更多相关《遗传算法在股票投资技术分析中的应用.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 预测2001年第2期Vol.20,No.2收稿日期;2000206229遗传算法在股票投资技术分析中的应用冯 平,宣慧玉(西安交通大学 管理学院,陕西 西安710049)摘要:本文首先分析了股票投资技术分析的特点,然后阐述了遗传算法及基于遗传算法的分类器系统的基本理论。最后,详细讨论了遗传算法及分类器系统在两种最常用的股票投资技术分析方法(指标分析和图形分析)的计算机化中的运用问题。关键词:投资技术分析;遗传算法;分类器系统;中图分类号:F830.91文献标识码:A文章编号:100325192(2001)0220038204The Application of Genetic Algorit

2、hms in Computerization of Stock Investment Analysis Technolo-gyFENG Ping,XUAN Hui-yu(Xian Jiaotong U niversity School ofM anagement,Xian 710049 China)Abstract:This paper analyzes the characteristic of stock investment analysis technology at first,then the basic theories of genetic algorithm s(GA s)a

3、nd classifier system which bases on GA s putforth.Finally,themethods for applying GA s and classifier system in computerization of two stockinvestment analysis technologies(indicator analysis and chart analysis)which are in most commonuse are given.Key words:investment analysis technology;genetic al

4、gorithm s;classifier system1引言技术分析是国际投资界最早形成系统化、理论化的投资分析流派之一。经过百年来的发展,已经形成了许多的学派门类。按照分析原则划分,可以分为三大类:即主观型、混合型和客观型。主观型(常见的有道氏理论、图形分析等)主要根据主观的界定方法来定义目标分析模式;客观型(例如计算机技术指标分析)对目标分析模式的定义则一般要建立100%客观的定义标准;混合型(以波浪理论为代表)界于前两者之间1。从技术分析的计算机化方面来考虑,主观型的技术分析过程渗入了太多的主观因素而最难计算机化。而在客观型的技术分析过程中,目标分析模式的数字化则使得计算机非常容易对整个

5、分析过程进行模拟和监控,而不需要投资者的过多参与,计算机化极为方便。本文就将对把股票投资技术分析计算机化以及遗传算法在其中的应用问题做一个初步的探讨。2遗传算法2.1标准遗传算法遗传算法(Genetic A lgorithm sGA s)是美国M ichigan大学的Holland教授于1975年正式提出来的一种随机化搜索优化算法2。它主要通过模拟生物进化中的遗传选择和自然淘汰过程,而得到最优的一个或数个后代。遗传算法在金融投资领域的应用始于90年代3。除遗传算法外,基于遗传算法的机器学习系统分类器系统在股票投资领域也得到了应用。和传统的优化方法相比,遗传算法采用了许多独特的方法和技术,使得遗

6、传算法在股票投资技术分析的计算机化上具有几个优势:首先,在技术分析,尤其是主观型技术分析中,图形是最基本的工具和处理对象之一。对图形具有很强的处理能力是技术分析计算机化技术的基本要求。许多优化方法恰恰不具备这种能力或能力不足。遗传算法的处理对象并非需要优化的参数本身,而83是对参数集进行了编码的个体。通过对一些不便于计算机直接处理的图形、关系等进行编码转化成数值,遗传算法就能方便地对他们进行操作和优化了。其次,对于理性投资者,股票投资决策是他们根据个人的投资理念对多个方案的风险与收益进行权衡的结果。股票投资决策从来不存在大家都认同的最优方案。遗传算法同时处理优化群体中的多个个体,并得到多个合乎

7、要求的解。因此,和得到单一最优解的优化方法相比,能发现多个优秀备选方案的遗传算法无疑更能符合投资者的实际需要。再次,股票投资领域环境多变,影响因素众多。股市中从来没有绝对的事情,任何事件的发生都是可能的,只是概率大小而已。而一般的优化方法使用的是确定性规则,其优化的过程和结果往往是确定的。遗传算法却采用概率的变迁规则来指导它的搜索方向。这既扩大了可能的解的范围,又使得解更有代表性,更能满足投资者的要求。最后,虽然股市的影响因素多,但技术分析的重点只是股票价格。遗传算法对所需求解问题的背景和专业知识信息要求也很少,它只通过解的适应度来评价解的优劣,指导优化过程。因而很适用于技术分析过程。遗传算法

8、最具特色的地方在于3种遗传算子:选择(selection)、交叉(crossover)和变异(mutation)。遗传算法通过这3种操作的紧密配合和共同作用,引导种群不断地向好的方向进化,而得到满意的解。它的基本流程如图1。2.2分类器系统分类器系统是基于遗传算法的机器学习系统中最典型也是最成功的系统。它将基于信任分配的学习机制和基于遗传算法的规则(分类器)发现机制有机地结合在一起,引导系统有效地产生和运用规则,从而使系统在复杂环境中更好更快地学习。分类器系统主要由3个部分组成:规则与消息(rule andmessage)系统、信任分配(apportionment of credit)系统和规

9、则发现系统。分类器系统的流程如图2。规则与消息系统直接与环境进行交互,为最低层的执行系统,负责激活与消息相匹配的规则。信任分配系统评价规则(分类器)的有效性,亦即信用分配。实现信任分配的方法中,以Holland提出的桶队算法最出名和最常用。规则发现系统主要用遗传算法来产生新规则并淘汰无效的规则。这3个系统分工明确又配合紧密,使得分类器系统成为了一个便于使用而又有效的人工智能系统。3遗传算法在股票投资技术分析计算机化中运用3.1指标分析在当前的股票投资技术分析方法中,最常用的是同属于主观型技术分析的指标分析和图形分析。本文主要讨论这两种分析方法的计算机化与遗传算法运用的问题。在主观型技术分析的股

10、市交易操作中,投资者处于核心位置,在分析模型,决策模型及发出操作指令的过程当中都需要投资者作出自己的主观判断,而判断的结果会由于各个投资者的经验、投资理念、信息掌握情况等的不同而相异(见图3)1。因此,将93主观型技术分析完全计算机化是不可能也是不现实的,但计算机技术可以提高投资者的决策效率并使得投资者的决策更加合理则是不容质疑的。指标分析的基本工具是数字指标,常用的如移动平均线(MA),相对强弱指数(RSI)等。在技术分析流派看来:虽然影响股市的因素很多,但这些因素的影响将最终完全体现在股票价格上。因此数字指标大多源于股票价格,是价格的函数,也有的与成交量相关,它们都是股市状态不同侧面的的反

11、映。与客观型的计算机技术指标分析相比,虽然两者都以指标为媒介,但前者的指标是一个完备的体系,对股市有充分完整的描述;而后者的指标则零乱,不完全,难以窥见股市全貌。在指标分析实践中,人们通常使用指标组合来分析股市。因此指标分析的计算机化首先要解决的就是用哪些组合,怎样组合的问题。在用遗传算法对指标组合进行选优时,不可能将所有的指标都考虑进去。天津大学管理学院的寇纪淞等人在对此做研究时,选择了14个常用指标来进行组合,而将根据组合结果进行买进和卖出操作的一定时期的收益作为该组合的适应度值来进行各种组合优劣的评价,最后得到了一组适应度最高的组合3。当然这种理论上的最优组合的实际效果不一定最好,这除了

12、股市本身的变化莫测外,还有其他的一些原因,如用指标来分析股市的内在弱点;在评价各种组合时需要事先确定各指标的数值等。但这种组合是合理的。在使用数字指标时,人们通常是根据一些指标的临界值来判断股市是否正常或是否有可以利用的机会,从而采取相应的行动以获取最大利益。但这些临界值怎样确定,特别是,在指标组合中,这些临界值有无变化,最佳值又该是多少,这是个难以把握而又关键的问题。在这个问题上,标准的遗传算法略有不足。而分类器系统则可以通过自动的不断学习寻找组合中各个指标的合适临界值以使组合达到最佳效果。天津大学的张志强等人做了这方面的研究。他们选用了包括威廉指数(WM S%R),动量指标(M TM)等7

13、种数字指标的组合。经过他们对上海股市的测试,分类器系统的结果还是令人满意的4。3.2图形分析图形分析的基本工具是图形。常用的图形有4种:折线图(line chart);条形图(bar chart);点象形图(point and figure chart)和K线图(rosokuashichart)。这4种图形虽然绘制方法不一样,各自对股市的表现形式也不一致,但基本原理是大同小异的。投资技术分析有3个基本假设,其中之一是股票价格按趋势运动,并且趋势是持续的;另一个是假定市场行为是重复的,其规律是可以发现的。图形分析就是要通过研究图形,用对比目前与以往的某种价格趋势的方法来作出预测。图形分析的重点在

14、于归纳并分析价格趋势。本文主要以运用最广泛的K线图为例来探讨图形分析计算机化与遗传算法应用的问题。图形分析的计算机化的首要条件是计算机能识别各种技术分析图形。和指标分析相比,它的计算机化要困难得多。因为在计算机上处理数字指标再容易不过,但是要计算机去识别图形却较为困难。到目前为止,尚未看到进行图形分析计算机化的论文。但是英国学者Goonatilake和Feldman详细论述了用遗传算法进行趋势平均线图形的计算机化的问题5。实际上,早在1970年,M ichigan大学的Cavic2chio在他的博士论文中就研究了遗传算法在图形识别中的应用问题6。近几年来,遗传算法在图形识别方面的应用愈加广泛,

15、并且效果良好。廖闻剑等人结合遗传算法及模糊识别方法进行印鉴的计算机自动识别,在保证假印鉴识别率为100%的情况下,真印鉴的通过率为93.9%7。另外,和通常的图形识别相比,图形分析中图形有其自身的特点。图形分析中的图形都是二维的图形,一般表现为曲线。横坐标多为日期,而纵坐标则为各种数字指标值,指标值可以根据股票的价格或成交量计算得到。因而也可以说图形分析中的图形是“数字化”的,比起普通的二维图形来,对它进行计算机处理要容易得多。实际上,在进行图形分析的计算机化时,并不一定非得将图形画出来。对于投资者来说,图形直观地反映了股市,便于分析,但是图形对计算机则没有太多的意义,那些图也不过是一些数据罢

16、了,画出图形主要还是为了方便投资者察看而已。识别图形后的下一步就是分析图形了。计算机得到的图形是一个完整的图形,但是图形分析中分析的只是能说明股市价格变化的一部分图形。因此计算机首先需要从中分离出最重要的图形部分,然后比照人们提炼出的各种图形模式对市场趋势作出判断。对于用遗传算法提炼图形,Bhandarkar和Zhang Hui等人作过专门研究8。他们分析了从输入原始象素点(raw pixel)到得到分离图形(seg2mented i mage)的整个过程。图形模式的匹配对于分类器系统来说一点也不困难,产生式规则的模式正是:一旦环境或规则发送的消息与规则的条件匹配就能激活该条规则,从而发送新消

17、息或输出行动。而04且分类器系统还能通过不断学习提高匹配准确率。人们只需要将图形模式编码为规则的条件,其它的事就由分类器系统去做好了。图形分析的重点是寻找趋势,分析趋势,另外,得到的图形与已有模式并不会完全一样,因而分析图形的关键在于提取图形特征,找到图形的特征点。总的说来,图形分析的计算机化在理论上是没有问题的,遗传算法能在其中担任一个重要角色。对于K线图还有其独特之处及特殊的内涵,因此有一些独特的分析技术。每根K线都有一定的形态,其基本的形态(包括标准的和非标准形态)有十几种,每种都有一定的含义。投资者根据单根K线的形态就可以对股市作出初步判断,多根K线的组合则能更精确地说明市场状态及价格

18、走势,也更为投资者青睐。针对K线图的这种特殊分析方法,将它计算机化的一个思路可以是:首先将K线的十几种形态用数字代号表示,然后用图形识别技术或用数字表明各根K线的相对位置,最后,用分类器系统来匹配已知的图形模式,并对价格走势作出判断。一般而言,K线组合中K线不超过5根,且多在3根以下,这就比识别其它趋势图形容易多了。在著名的技术分析大师许沂光列出的7种最重要的转向形态中,最可靠的早晨之星和黄昏之星都只有3根K线,其他的6种也未超过3根。因此,K线图的计算机化最为方便,应是图形分析计算机化的一个突破口。4讨论与展望从本文前面的探讨中可以看出,随着我国股市的发展,股票市场将逐步成为我国居民投资的重

19、要场所,而投资技术分析方法的计算机化是必然的趋势。在这个领域里,遗传算法大有用武之地,甚至可以说是其中的一个重要组成部分。但是,在这其中也存在一些问题,最大的是实用性问题。股市变幻莫测,它不会因为计算机说应该怎样变化而那样变化。因此,从投资者来看,对股票价格再精确不过的预测结果值也是毫无实用价值的,那只能是种“美丽的谎言”。投资者更需要的是股市变化的各种可能的结果。这就是说,用遗传算法得出对股市价格走势的判断应该是各种趋势的概率,而决非某种确定性的结论。更精确地得出股市价格上升,下跌或盘整趋势的概率才是遗传算法今后的发展方向,也是说明遗传算法比其它优化法更适用于股票投资技术分析领域的标准。而这

20、还有赖于学者们的进一步研究与发展。参考文献:1波涛.证券期货投资计算机化技术分析原理M.北京:经济管理出版社,1998.44245.2 Holland J H.A daptation in nature and artifi2cial system M.The U niversity of M ichiganPress,1975.3李敏强,张俊峰,寇纪淞.遗传算法在股市投资策略(战略)研究中的应用J.系统工程理论与实践,1998,18(8):19225.4张志强,李敏强,寇纪淞.分类器系统在股票买卖规则发现中的应用J.决策与决策支持系统,1997,7(4):92297.5 Goonatilak

21、e S,Feldman K.Genetic rule induc2tion for financial decision making.In StenderJ,H illebrand E,Kingdon J,eds.Genetic A l2gorithm sinOpti m ization,Si mulationandM odelingM.I OS Press,1994.1852201.6 Goldberg D E.Genetic algorithm s in search,opti m ization and machine learm ing M.A d2dision2W esley,19

22、89.95297.7廖闻剑,成瑜.银行印鉴的模糊识别方法J.南京航空航天大学学报,1998,30(6):6632667.8 Bhandarkar SM,Zhang Hui.I mage segmenta2tion using evolutionary computationJ.IEEET rans.Evolutionary Compution,1999,3(1):1221.(上接28页)当指出,多逼空现象的出现,除了现货市场的原因外,期货交易主体的行为动机和交易法规的不完善也是重要原因。在临近交割月时,一些交易大户利用空方没有足够的货源交割、急于平仓的心理,据仓抬价,逼迫空方就范。对于这种人为

23、的逼仓,需要健全的法律法规加以限制,尤其对那些金融机构和大中型国有企业更要进行制约,以防止国有资产的流失。参考文献:1 Kyle A S.A theory of futuresmarket manipu2lationsA.In A nderson R W,ed.In The In2dustrial O rganization of Futures M arketsC.M.A:L exington Books,1984.1412174.2 Kumar P,SeppiD.Futures market manipula2tion w ith cash settlement J.Journal of Fi2nace,1992,47:148521502.3 Cooper D J,Donaldson R G.A strategic anal2ysis of corners and squeezesJ.Journal of Fi2nancial and Q uantitative A nalysis,1998,33(1):1172137.4陶非,李经谋,等.中国期货市场理论问题研究M.北京:中国财政经济出版社,1997.1152130.14