Генетичні алгоритми в системах підтримки прийняття рішень для фінансового аналізу на фондовому ринку

Ми отримали данні щодо курсів цінних паперів, які отримуються з торговельної мережі та данні щодо орієнтовних цін паперів, які не обертаються постійно на ринку, а інформація про їх ціну підготована нейронною мережею. Далі обчислюється прибутковість кожного з цінних паперів та завантажується до бази даних.

Таким чином ми створили хромосоми для роботи нашого генетичного алгоритму. Для нашої СППР хромосома буде числовим вектором, який відповідає потребам, щодо наявності інформації про прибутковість в деякий історичний період. Доходи за цінними паперами і будуть генами даних хромосом. Система генерує випадкові хромосоми для обробки їх генетичним алгоритмом. Далі вводяться такі поняття як кросинговер та мутація.

Мутація – це змінювання хромосоми, яке викликане випадковою зміною її позицій (генів). В системі емулюється мутація шляхом випадкової зміни одного з генів – векторів.

Кросинговер є операцією, при якій з двох хромосом породжується одна або декілька нових. В найпростішому випадку в генетичному алгоритмі кросинговер реалізується також як і в біології. При цьому хромосоми розрізаються і обмінюються частинами між собою. Блок схему генетичного алгоритму системи представлена на Рис.1.

В даній схемі вказані всі етапи роботи генетичного алгоритму: створення початкової популяції, відбір, кросинговер, мутація та поява нової популяції.

Блок-схема генетичного алгоритму

Перехід до нового

покоління

Відповідь

Рис. 1.

З початку системою генерується випадкова популяція індивідуумів, тобто деякий набір рішень задачі. Далі моделюється розмноження в межах популяції. Для цього система обирає декілька пар “індивідуумів”, проводиться кросинговер між хромосомами в кожній парі, а отримані нові хромосоми розміщується в нову популяцію. В генетичному алгоритмі зберігається основний принцип відбору – чим більше пристосований індивідуум, тим більше ймовірність, що він буде брати участь у наступному кросинговері. Далі система підтримки прийняття рішень моделює мутації, тобто випадково змінює деякі “гени” у вибраних векторах нового покоління. Далі стара популяція векторів знищується і система переходить до розгляду наступного покоління.

Популяція наступного покоління містить ту ж кількість векторів, що і початкова, але у зв’язку з отбором загальна прибутковість по ній вище, ніж в попередній популяції. Тепер система повторює описані процеси відбору, кросинговеру та мутації для нової популяції.

В кожному наступному поколінні ми будемо бачити виникнення зовсім нових рішень задачі. Серед них будуть як добрі, так і погані, але завдяки відбору кількість добрих рішень буде зростати. Імітуючи еволюцію система підтримки прийняття рішень буде завжди зберігати життя найкращому з “індивідуумів” наступного покоління. Така методика називається “стратегією елітизму”.

Таким чином на деякому етапі покращення якостей рішень задачі буде уповільнюватись і далі стане дуже повільним. Тоді з отриманих наборів “індивідуумів” відбирається ті, які надає найбільше значення функції прибутковості. Отримані відповіді і є рекомендаціями системи для проведення процесу інвестування в цінні папери.

Приведений варіант системи лише один з багатьох, які можна використовувати при створенні універсальної системи фінансового аналізу. На жаль на вітчизняному ринку ці системи поки що не знайшли широкого застосування. Насамперед це пов’язано з недосконалістю фінансового ринку. Але це не означає, що подібні системи не знайдуть місця в Україні. По мірі розвитку фінансового ринку постає питання про створення СППР на базі генетичних алгоритмів та інших методах нечіткої логіки на Україні.