Аннотация
Рассмотрена задача оценки принципиальной применимости управляющих стратегий, основанных на анализе трендов. В качестве полигона данных используются длительные интервалы наблюдений за котировками валютных инструментов на электронном рынке Forex. Для оценки параметров выигрышной стратегии используется технология эволюционного моделирования. По существу, эволюционное моделирование базируется на принципах итерационного случайного поиска. Значимым отличием является механизм внесения изменчивости, включающий в себя как небольшие вариации оптимизируемых параметров, так и значительные скачки значений, имитирующие параметрическую мутацию. Другим важным отличием является сохранение промежуточных неоптимальных решений. Такой подход позволяет реализовать принцип системного анализа, в соответствии с которым окончательное оптимальное решение достигается последовательностью промежуточных неоптимальных решений. Важным аспектом эволюционного моделирования является предварительная оценка реалистических значений начальных оценок. В статье приведено описание вычислительных экспериментов для оценки этих величин. В результате проведенных исследований установлено, что имеется принципиальная возможность построения выигрышной стратегии для условной игры на ретроспективных данных. Но даже высокий результат применения управляющей стратегии в условиях хаотической динамики не гарантирует эффективных решений на последующих группах наблюдений. Данная особенность является характерной для задач управления в хаотических средах и обусловлена нестабильностью формируемых решений для непериодических колебательных процессов. Тем не менее, установленный факт самого существования выигрышных управляющих стратегий говорит о наличии в хаосе регулярных составляющих, допускающих принципиальную возможность реализации выигрышных решений.
Ключевые слова: хаотические процессы, управляющая стратегия, эволюционное моделирование, изменчивость, селекция, мутация, оптимизация, тренд, Forex
Список литературы
1. Fogel L.J., Owens A.J., Walsh M.J. Artificial intelligence through simulated evolution. – New York: John Wiley & Sons, 1966. – 231 p.
2. Аверченков В.И., Казаков П.В. Эволюционное моделирование и его применение: монография. – 2-е изд., стереотип. – М.: Флинта, 2011. – 200 с.
3. Каширина И.Л. Эволюционное моделирование: учеб. пособие для втузов. – Воронеж: Изд. центр ВГУ, 2011. – 60 с.
4. Курейчик В.М., Гладков Л., Курейчик В.В. Эволюционное моделирование и генетические алгоритмы. – Lambert Academic Publishing, 2011. – 260 с.
5. Карпов В.Э. Методологические проблемы эволюционных вычислений // Искусственный интеллект и принятие решений. – 2012. – № 4. – C. 43–50.
6. Рутковский Л. Методы и технологии искусственного интеллекта. – М.: Горячая линия–Телеком, 2010. – 520 с.
7. Survey of Multiobjective Evolutionary Algorithms for Data Mining. Pt. 1 / A. Mukhopadhyay, U. Maulik,
S. Bandyopadhyay, C.A. Coello // IEEE Transactions on Evolutionary Computation. – 2014. – Vol. 18, № 1. – P. 4–19.
8. Survey of Multiobjective Evolutionary Algorithms for Data Mining. Pt. II // A. Mukhopadhyay, U. Maulik,
S. Bandyopadhyay, C.A. Coello // IEEE Transactions on Evolutionary Computation. – 2014. – Vol. 18, № 1. – P. 20–35.
9. Carreno J.E. Multi-objective optimization by using evolutionary algorithms: The p-Optimality Criteria // IEEE Transactions on Evolutionary Computation. – 2014. – Vol. 18, № 2. – P. 167–179.
10. Das S., Suganthan P.N. Differential Evolution: A Survey of the State-of-the-Art // IEEE Transactions on Evolutionary Computation. – 2011. – Vol. 15, № 1. – P. 4–31.
11. Мусаев А.А. Эволюционно-статистический подход к самоорганизации прогностических моделей управления технологическими процессами // Автоматизация в промышленности. – 2006. – Вып. 7. – С. 31–35.
12. Мусаев А.А. Алгоритмы Data Mining в задачах управления динамическими процессами // Труды СПИИРАН. – 2007. – Вып. 5. – С. 299–312.
13. Metropolis N., Ulam S. The Monte Carlo Method // Journal of the American Statistical Association. – 1949. – Vol. 44, № 247. – P. 335–341.
14. Ермаков С.М. Метод Монте-Карло в вычислительной математике: вводный курс. – СПб.: Невский Диалект; М.: БИНОМ. Лаборатория знаний, 2009. – 192 с.
15. Редько В.Г. Эволюционная кибернетика. – М.: Наука, 2001. – 159 с.
16. Емельянов В.В., Курейчик В.М, Курейчик В.В. Теория и практика эволюционного моделирования. – М.: Физматлит, 2003. – 432 с.
17. Гудман Э.Д. Эволюционные вычисления и генетические алгоритмы: вместо предисловия // Обозрение прикладной и промышленной математики. – 1996. – Т. 3, вып. 5. – С. 586–592.
18. Goldberg D.E. Genetic algorithms in search, optimization, and machine learning. – Addison-Wesley Publishing Co, 1989. – 432 p.
19. Мусаев А.А. Численный анализ инерционности хаотических процессов // Труды СПИИРАН. – 2014. – Вып. 2 (33). – С. 48–59.
20. Терентьев Д.В. Прогнозирование цены активов российского фондового рынка с помощью графического анализа линий тренда // Финансы и кредит. − 2006. − № 4. − С. 25–34.
