本文主要是介绍读书笔记：基于遗传算法的量化投资策略的优化与决策，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
遗传算法是建立在达尔文生物进化论的自然选择和遗传学机理基础上的自适应搜索算法，最初由美国Michigan大学的J.Hollan教授于于1975年提出，遗传算法模拟了自然选择和和遗传中发生的复制、交叉和变异等现象，即从任意初始种群出发，通过随机选择、交叉和变异操作，产生一群更适应环境的个体，是群体进化到搜索空间中越来越好的区域，这样一代代地不断繁衍进化，最后收敛到一群最适应环境的个体，进而得到问题的最优解。
遗传算法提供了一种求解分线性、多模型、多目标等复杂系统优化问题的通用框架，它具有并行搜索，群体寻优的特点，是解决大规模优化问题的有力工具。
算法部分：
三个规定：1）开仓+平仓策略；2）开仓和平仓至少一个；3）不允许加仓。
遗传变异过程为：
1）配对
2）遗传
3）变异：参数巨变，策略互换，策略突变
适应度函数
夏普业绩指数法，特雷诺业绩指数法，詹森业绩指数法
种群添加、繁衍和进化
实证分析
采用单参数的趋势追踪策略（Trend Following）和多参数的均值回复策略（Mean Reversion）
实证的其他条件
1）不持仓过夜
2）期货成交价格，买时以卖盘一档成交，卖时以买盘一档作为成交价
3）考虑交易费用
验证策略的延续性或稳定性，统计前五个交易日业绩排名于前5%的交易策略接下来交易排名情况。
前期表现好的会延续原来的表现，时间越近延续性越强。这种动态选用最优策略方法最终获利为266.09万元，最大下跌幅度16.37%。
金融实证研究经常面临“数据挖掘”的质疑，即针对样本数据进行了过度优化，导致其结果过分依赖于样本数据而不具有通用性。
本文最优策略的选择权仅与适应度函数的上一评价周期的样本相关，并不对该评价周期进行优化，实际上只需该数值处在一个合理的范围即可。
待改进之处：
1）适应度函数仅针对交易员上一时间周期的业绩，而没有考虑其累计业绩。
2）统一适应度尺度下，如果某种策略长期表现不好可能会灭绝，使剩余种群面对复杂市场余地受限。
3）产生新种群的策略组合方法可以进一步优化。
这篇关于读书笔记：基于遗传算法的量化投资策略的优化与决策的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
