Optimización Genética Para Estrategias De Trading Con Rapidminer Y R

Optimización genética para estrategias de trading utilizando Rapidminer y R Este es el segundo tutorial de Rapidminer y la extensión R para Trading y el primero en Video. En el último ejemplo el ROC obtenido no es tan bueno como debería ser para ganar dinero en este negocio, para mejorar la estrategia vamos a tratar de optimizar la estrategia comercial. Diferentes métodos de optimización y funciones objetivas para el comercio pueden ser estudiados en la literatura, Finalmente utilizaremos un no-multiobjetivo genético para optimizar nuestra estrategia simple. La estrategia simple definida es la siguiente: El símbolo utilizado es "IBM" (puede utilizar cualquier otro símbolo) Un SVM (Support Vector Machine) predice el valor de cierre del día siguiente, y cuando el valor es mayor que el día anterior, obtenemos una señal de compra y, de lo contrario, una señal de shell. Los datos de formación utilizados son los premios históricos (cierre, alto, volumen) de 2006 a 2009 La validación se realiza con información histórica a partir de 2010 Se calculan los siguientes indicadores RSI, EMA 7, EMA 50, EMA 200, MACD y ADX. Se crea una ventana temporal de retraso de dos días para todos los valores históricos. Para la optimización de la estrategia se utiliza un algoritmo genético. El algoritmo genético modificará los datos de entrada eliminando cualquier entrada (por ejemplo, indicadores) para maximizar el ROC de la estrategia. Puedes ver en el video el modelo generado: Optimización genética para estrategias de trading utilizando Rapidminer y R Este es el segundo tutorial de Rapidminer y la extensión R para Trading y el primero en Video. En el último ejemplo el ROC obtenido no es tan bueno como debería ser para ganar dinero en este negocio, para mejorar la estrategia vamos a tratar de optimizar la estrategia comercial. Diferentes métodos de optimización y funciones objetivas para el comercio pueden ser estudiados en la literatura, Finalmente utilizaremos un no-multiobjetivo genético para optimizar nuestra estrategia simple. La estrategia simple definida es la siguiente: El símbolo utilizado es "IBM" (puede utilizar cualquier otro símbolo) Un SVM (Support Vector Machine) predice el valor de cierre del día siguiente, y cuando el valor es mayor que el día anterior, obtenemos una señal de compra y, de lo contrario, una señal de shell. Los datos de formación utilizados son los premios históricos (cierre, alto, volumen) de 2006 a 2009 La validación se realiza con información histórica a partir de 2010 Se calculan los siguientes indicadores RSI, EMA 7, EMA 50, EMA 200, MACD y ADX. Se crea una ventana temporal de retraso de dos días para todos los valores históricos. Para la optimización de la estrategia se utiliza un algoritmo genético. El algoritmo genético modificará los datos de entrada eliminando cualquier entrada (por ejemplo, indicadores) para maximizar el ROC de la estrategia. Puedes ver en el video el modelo generado: